移动互联网和大数据技术的迅猛发展使信息过载现象不断加剧,为了提高用户从海量数据中获取信息的效率以及企业的生产效益,推荐算法在不同应用场景下得到广泛应用。协同过滤算法是目前商用推荐系统中应用最广泛的个性化推荐算法,而衡量用户间的兴趣相似性是其中最关键的步骤。传统协同过滤算法随用户和物品规模的不断增长,其用户相似度矩阵的计算开销也不断增大,因此,在算法扩展性上存在局限性。另一方面,传统算法基于用户评分向量相似度来衡量用户间的兴趣相似性,在稀疏评分矩阵下的效果不是非常理想,其评分预测的准确性仍有较大的提升空间。针对上述问题,本文考虑了物品属性特征对用户评分行为的影响,结合BP神经网络构建用户关于物品属性特征的评分预测模型,并基于此模型对传统协同过滤算法进行改进,主要贡献如下:首先,针对传统算法的扩展性问题,本文提出了一种基于评分偏好特征聚类分析的改进协同过滤算法。该算法利用用户评分预测模型,提取用户关于物品属性特征的低维评分偏好特征向量,并对评分偏好特征向量进行聚类分析,从而降低传统算法的时间复杂度和内存空间开销。其次,针对传统算法在稀疏评分矩阵下评分预测准确性较低的问题,本文提出了一种基于近邻用户预测误差的改进协同过滤算法。该算法从不同角度衡量用户间的兴趣偏好相似性,近邻用户以目标用户的历史评分记录作为预测项目,利用评分预测模型进行预测,预测误差越小则表明近邻用户与目标用户间的评分行为越相似。相比传统算法,该算法在稀疏评分矩阵下具有更高的评分预测准确性。本文基于Movie Lens开源数据集,分别对所提出的两种改进算法进行实验测试,并与现有其它算法进行比较。结果表明,与其它算法相比,本文所提出的两种改进算法分别在扩展性和准确性方面取得了更好的效果。