随着信息技术的高速发展和互联网的迅速普及,用户在海量数据中难以快速找到有用的信息,引起了信息过载问题。个性化推荐技术作为高效地处理信息过载问题的工具,已受到各行各业的广泛关注。协同过滤推荐算法因其具有原理简单、容易实现和可解释性强等优点,成为目前应用最广泛的个性化推荐算法。该算法根据历史信息挖掘用户的兴趣偏好,其关键步骤是计算用户之间的相似度。但由于对数据稀疏问题和恶意评分用户处理不足,以及协同过滤算法的自身缺陷,造成相似度计算的结果可靠性低,导致推荐结果不够理想。如何改善推荐系统所面临的这些问题,是个性化推荐领域研究的热点。本文围绕上述问题,展开深入研究,主要工作如下:1.针对传统相似度计算在评分矩阵十分稀疏的情况下得到的结果不够准确,预测用户评分偏差较大的问题,本文提出了一种优化的相似度计算方法。该方法首先计算用户共同评分项目的重合度,降低共同评分项目所占比例较少造成的相似度计算的偏差;然后改进评分差异贡献度,降低用户之间在共同评分项目上评分偏差较大对相似度计算的影响,再通过动态调整共同评分项目占两用户中最多评分项目数量的比例以改进收缩因子,提高相似度计算的可靠性;最后引入惩罚函数,降低热门项目对相似度计算权重过大的影响,提高相似度计算结果的可靠性和推荐的准确性。2.针对协同过滤推荐系统中可能存在的托攻击问题,本文进一步挖掘用户之间的信任关系。通过构建信任度模型计算出用户之间的信任度,并将其与改进的相似度结合,综合信任度和相似度两个因素来选择近邻用户,提高协同过滤推荐系统的鲁棒性。本文将改进的相似度计算方法和信任度模型在公开数据集中进行了实验仿真。实验结果表明,改进的相似度计算方法在数据稀疏的条件下,预测用户评分的准确度有一定提升,并且当存在恶意评分用户时,本文的信任度模型可以提高协同过滤算法的鲁棒性。