互联网和信息技术的快速发展,带来的是信息量的几何级增长。面对由此带来的“信息过载”问题,根据用户输入的关键词“被动”提供信息检索服务的搜索引擎技术已经无法满足人们的需要了。不同于搜索引擎技术,能够“主动”将用户感兴趣的信息和资源推荐给用户的个性化推荐系统,可以解决这一问题,从而得到了越来越广泛的研究和关注,在电子商务、视频音乐推荐等多个领域都有所应用。其中,协同过滤（collaborative filtering,CF）推荐算法是目前应用最广泛的推荐算法之一,它主要由两部分构成:一是近邻确定部分,通过计算用户历史行为的相似性获取目标用户的近邻用户集合;二是生成推荐部分,根据近邻用户的历史评分预测目标用户可能给出的评分,排序并生成推荐列表。然而,该算法存在一些不足,如:冷启动问题、用户兴趣迁移问题以及仅考虑用户历史评分数据等,这些不足制约了算法的可扩展性和推荐准确性。为了缓解以上问题,本文对协同过滤算法进行了以下研究:首先,本文对协同过滤推荐算法的近邻确定部分做出改进,提出了一种融合用户特征和项目类型兴趣的近邻确定方法。该方法针对系统中全体用户的三类基本特征（年龄、性别、职业）,分别计算每类特征下用户对所有项目类型的兴趣分布向量,并利用k-means聚类算法进行聚类,得到基于用户不同特征下的相似子用户群,然后根据目标用户自身的具体特征值判断他在每类特征上的归属簇,并通过三类特征归属簇的交集来获得近邻用户。对于系统新注册用户,可有助于解决新用户冷启动问题;对于老用户,有助于解决可扩展性差的问题,以及单纯利用项目-评分矩阵确定近邻用户所具有的数据稀疏性问题。此外,本文在计算用户对不同项目类型的兴趣度时通过引入时间因子来模拟用户兴趣变化过程,有助于解决用户兴趣迁移问题。其次,本文对协同过滤推荐算法的生成推荐部分进行优化改进,提出了一种融合项目类型偏好评分的评分预测方法。该方法根据经时间因子修正过的用户评分和项目类型信息构建项目类型-评分矩阵,分别计算每个用户对不同项目类型的兴趣度,并以此作为权重计算用户对项目的类型偏好评分,在生成推荐时,用户对未评分项目的总体预测评分由两部分构成,一是传统协同过滤推荐算法中基于近邻用户对项目的历史评分得到的预测评分——近邻预测评分,二是基于用户对项目类型的偏好得到的预测评分——项目类型偏好评分,这样计算得到的对项目的总体预测评分可以同时反映用户对项目的偏好和对项目类型的偏好。最后,以精确率、召回率和F1值作为算法评价标准,将以上两种方法应用到协同过滤算法与Pop-strategy算法、UCRAR算法和PTP-Item-CF算法等相关推荐算法进行实验对比。实验证实:（1）在确定近邻时考虑用户特征属性和项目类型兴趣分布的关系有助于提高近邻用户集的选取质量;同时面对系统新注册用户的冷启动问题,有助于进一步提高推荐准确性。（2）在生成推荐部分考虑目标用户对项目的类型偏好评分能够更好地反映用户偏好,提高推荐质量。