Internet和E-Commerce的快速发展带动了互联网+的蓬勃兴起,推荐系统获得越来越多的关注。随之专家学者们把研究方向转向如何进一步提高推荐系统的推荐性能,于是,各种优秀的算法和模型被提出、测试、投入应用。自Yehuda等人在Netflix百万大奖的比赛中首次将矩阵分解的想法用于做推荐取得了较好的结果,自此,做为一个新的研究方向,近年来专家学者们也提出了很多改进和完善,基于基础模型的改进大都是利用额外的信息,如打分偏差、隐式反馈、时间因素、信任传播等。我们发现,传统的矩阵分解模型中往往只借助用户-物品的评分数据集,没有将用户和物品特征属性信息考虑在内。用户和物品的特征属性信息包含用户跟物品的大量有效信息,也可以为个性化推荐所利用,本论文的主要想法是在传统的协同过滤算法的基础上将用户、物品的特征属性信息考虑在内,用以提高系统的推荐精度。Breese等人将协同过滤算法分为：基于内存的算法和基于模型的算法,本论文分别针对这两类算法,提出基于耦合相似度的协同过滤的改进算法。观察用户和物品的特征属性信息,我们可以发现不只有数值的类型,还有非数值的类型,对此,引入耦合相似度的概念,利用用户特征、物品特征的属性值信息借助耦合相似度的概念,依据用户行为信息,建立用户、物品相似度的模型,将相似性信息与协同过滤算法相结合,挖掘潜在信息以提高推荐精度,并提出相应的算法,并在MATLAB软件下用真实数据集做实验,并于其他的推荐技术进行比较,表明本论文提出的改进算法的有效性以及在“冷启动”和“稀疏性”的情况下还可以保证较高的推荐精度。本论文安排如下：第一章绪论是关于本文的研宄背景,国内外研究现：状,主要研究内容以及行文安排的介绍；第二章简要介绍了协同过滤算法的相关知识；第三章在基于内存的协同过滤算法的基础上结合用户、物品的特征属性信息给出了改进算法,并在真实数据集下表明该算法的有效性以及实验结果的分析和比较；第四章给出了基于矩阵分解的推荐算法的改进算法,并在真实数据集下表明提出的改进算法的有效性以及实验结果的分析和比较,探讨算法在“稀疏性”和“冷启动”情况下的推荐效果；最后是总结与展望,总结了本文的研究内容,阐述了本论文的创新点,对未来的研究工作做了展望。