随着互联网技术的不断更新,尤其是5G网络的普及,网络信息将会成为我们生活不可或缺的一部分,人们也会越来越依赖于网络信息。网络信息一方面会给人们带来全方位的数据服务,为人们生活和学习上带来便利,而另一方面也给人们带来了困扰,我们该怎样从浩如烟海的数据中获得自己感兴趣和有价值的信息,这就是著名的“信息过载”。为了解决这个问题,个性化推荐应运而生,其中最成功的,也是在商业上应用最广泛的个性化推荐算法之一的就是协同过滤算法。协同过滤算法诞生之初只是服务于内部群组,数据量小,功能单一。当面对如今的大数据平台,如微博、快手、微信等,如何利用收集到的用户海量数据,来了解用户的兴趣爱好,进而给出更好的用户推荐,成为了一个重要的研究课题。本文在单一的协同过滤算法的基础上加以改进,进行如下几个研究。(1)以协同过滤推荐的数据稀疏性问题和用户冷启动问题为切入点,传统的协同过滤算法以用户-评分矩阵为计算基础,遍历整个高维矩阵,计算量巨大。本文提出了一种基于用户信息和专家选择的混合算法,利用用户的基础信息,使用k-means++算法实现用户聚类,实现用户组内的推荐;并将聚类的群组作为特定领域,在领域内选取合适的用户作为专家,利用专家用户完成推荐,最后用数据加权的方法将两种算法结合。采用公开的电影数据集进行实验。实验结果表明,混合算法在保持算法精度的同时,提高了运行效率,在一定程度上缓解了传统协同过滤算法在稀疏矩阵时计算量大的问题,提高了算法的实用性和多样性。(2)以产品流行偏置问题为切入点,详细地分析了该问题产生的原因,本文提出了用logistic函数代替原来用累加的方式来记录每部电影被评论的用户数,同时引入时间因子,在计算相似度的时候,额外加上时间因子,越近上映的电影,相加的数值就越大,使推荐偏向于新上映的电影。实验结果表明,新的计算函数可以适当的提高产品的覆盖率,降低流行度;时间因子在推荐列表较长时也可以取得好的推荐效果。在适当的条件下,两种在相似度上的改进算法可以缓解流行偏置问题。