随着Internet和信息技术的飞速发展,信息过载变得越来越严重,由此推荐系统应运而生。在推荐系统所采用的技术中,协同过滤是最为成功的技术。但是伴随着应用范围的扩大和应用环境的变化,协同过滤技术的一些缺点逐渐暴露出来,例如数据稀疏性问题、冷启动问题、推荐准确率低等。为此,本文提出了两种协同过滤算法来缓解上述问题。1.结合专家意见的协同过滤算法该算法通过引入专家意见和用户的属性来缓解数据稀疏性,最终达到提高推荐准确率的目的。首先利用用户属性提出一种新颖的相似度计算方法,突出了用户的背景知识,再将专家的专业评分和用户评分相结合,使得预测结果在专家的专业意见和兴趣相似、背景相似的用户意见之间得到很好的调节,然后通过基于SVD协同过滤算法平滑预测结果。理论分析和实验结果表明,该算法有效提高推荐准确率。2.基于时间划分的协同过滤算法该算法通过提出并使用项目类别喜好度缓解了数据稀疏性,最终达到提高推荐准确率和缓解项目冷启动的目的。首先借助于项目的上架时间和当前时间将项目分为新项目、正常项目和旧项目;再根据用户对项目的评价时间得到用户对这三种类型项目的喜好度,并扩充了用户-项目矩阵。预测评分时,根据项目的时间类型的不同采用不同的方法。理论分析和实验结果表明,该算法有效提高推荐准确率和缓解项目冷启动问题。最后在本文提出的算法基础上,设计并实现了电影推荐原型系统,对系统的各部分作了充分的总结和说明,为今后的进一步理论和实践研究奠定基础。