当今电子商务推荐系统的应用日益广泛，推荐算法作为推荐系统的核心也得到广泛的研究，协同过滤推荐算法是目前应用最成功的推荐算法之一，但是传统的协同过滤推荐存在数据稀疏性、冷启动和可扩展性等问题。论文针对传统协同过滤算法中出现的问题进行改进。论文的主要工作如下：（1）提出将用户与项目的评分、特征因素结合起来的协同过滤算法。论文改进的算法将用户评分相似度和用户特征相似度相结合选取用户最近邻居计算用户预测评分，同时将项目评分相似度和项目特征相似度相结合选取项目最近邻居计算项目预测评分，然后将用户预测评分和项目预测评分相结合产生最终推荐。论文改进的算法不仅解决了冷启动问题，而且也缓解了数据稀疏性。（2）提出利用遗传算法解决改进的算法中选取最佳参数组合问题。在改进的算法中，当选取用户近邻和项目近邻、将用户及项目评分相似度和特征相似度相结合、将用户预测评分和项目预测评分相结合时，都需要选择适当的阈值或权值。遗传算法作为解决组合优化问题的方法之一，可以在推荐算法中得到最佳的参数组合，提高推荐结果准确度。（3）提出利用遗传算法解决对当前推荐场景有影响的用户特征组合问题。当用户的特征因素很多时，并不一定用户的每一特征都会对当前推荐场景造成影响，如何提取出影响当前推荐场景的特征因素是推荐算法的关键问题。利用遗传算法随机生成个体的原理，通过遗传算法的不断迭代与推荐结果评估，能够提取出对当前推荐场景起作用的特征因素。（4）在Movielens数据集上进行实验，实验结果表明论文改进的推荐算法比传统的协同过滤推荐算法的推荐准确度更高，在用户评分数据极端稀疏的情况下，仍能得到较好的推荐效果。