个性化信息高效获取问题在如今信息爆炸的时代日益凸显,该问题已经引起了社会各界的广泛关注。用户对信息的偏好以及时效性因人而异,其中用户行为的隐式反馈能够更准确的反馈出用户的喜好,并且呈现出一定的相关性,故而对用户的不同兴趣偏好构建以及训练针对性的模型,对用户感兴趣的信息做出预测,对于用户高效获取个性化的偏好信息是具有现实意义的。而协同过滤推荐又是当今社会应用与研究最广泛的推荐算法之一,故本文的目标为基于用户兴趣和评分偏好差异自适应结合,构建出一个相对优秀的协同过滤推荐算法模型,对如何为用户精准推荐个性化偏好信息进行研究。传统的基于内容、混合推荐的推荐算法虽然能够在一定程度上提升预测推荐的精度,但是由于其本身的局限性,在处理数据较稀疏、用户的显示反馈较少的情况时,上述方法在预测精度方面的表还现是不够优越。而协同过滤推荐算法在处理稀疏数据时,能够对用户的隐式反馈及关联进行更深度的挖掘,从而达到更精准地预测效果。但是当前的协同过滤推荐算法大多只针对了用户共评分项等反馈对用户画像及关联进行建模,忽略了用户非共评分项及用户行为时效性等隐式反馈信息,在对用户的评分偏好建模时,也没有考虑到用户评分习惯参照系的选取对建模的影响,没有对用户有限的信息反馈做出最大化的发掘及利用从而为用户提供更精准的推荐预测。所以当前的协同过滤推荐算法研究依然存在以下不足:（1）没有充分考虑用户非共评分项对用户的隐式反馈信息进行更充分地挖掘,不能够缓解数据稀疏性;（2）没有充分考虑用户行为的时效性,在对用户兴趣进行建模的时候,应将伴随时间的流逝产生的用户兴趣漂移及项目流行度的衰减纳入考虑,提升推荐的精度;（3）在对用户兴趣建模的时候,应该考虑到不同用户的评分偏好及尺度的不同,相较于官方给出的标准的评分区间,应针对用户个人评分记录进行可信度更高的个性化建模。根据上述的研究情况,本文根据用户行为隐式反馈的特性,在计算用户相似的时,除了考虑用户共评分项的同时,结合用户的全部项目评分,将用户非共评分项引入相似度计算,缓解了数据稀疏性对预测精度的影响;还融合了时间因素,缓解了随时间流逝产生的用户兴趣漂移及项目流行度的衰减对预测精度的影响;结合用户评分的变异系数对用户评分行为偏好差异进行更精准地建模;在此基础上,最后将改进的用户相似度与用户评分行为偏好差异自适应整合为最终的用户相似性,并根据它生成预测结果。本文的主要贡献如下:（1）提出了一种改进的PCC相似性度量（ITPCR）方法,在考虑用户项目评分上下文信息的同时,融入时间因素,缓解了数据稀疏性、用户兴趣的漂移和项目流行度的衰减的影响;（2）提出了一种基于变异系数的方法来对用户评分偏好差异（URP）建模,利用用户历史评分行为作为量纲的来对用户评分偏好进行建模,提升模型的可信度;将改进后的ITPCR相似度与用户评分偏好差异URP进行加权自适应结合为ITPCR全局相似度,并据此生成更精确的预测结果;（3）提出了用户项目评分行为差异系数RD与TD,从结合用户信息与项目信息对PCC相关系数进行改进;利用SIGMOD函数对RD与TD进行指数归一化,构建出改进系数P,并与传统PCC相关系数结合为IMPCC全局性相似度,并据此来提升最终的预测精度。