随着互联网的飞速发展,使得获得信息的途径逐渐增多,在给人们带来便利的同时,海量的信息也覆盖了人们的日常生活,“信息过载”成为了不容忽视的现实问题。如何能够在信息海洋中快速、准确的找到用户所需要的信息成为目前研究的热点问题。为了解决这一问题,个性化推荐系统因运而生,成为继搜索引擎后一种获取信息的重要方式。个性化推荐系统包括很多类型,应用最广泛的是协同过滤推荐,其优点主要包括计算简单、易实现等。另一方面,数据稀疏性、冷启动、用户兴趣波动等因素直接制约了推荐结果的准确性。因此,怎样进一步提高推荐的准确性成为一个亟待解决的难题。为了解决上述的问题,许多具有代表性的有效推荐算法被提了出来,例如邓爱林等人提出的一种基于项目评分预测的协同过滤推荐算法;Sarwar等人提出的评分矩阵填值的方法等。但是在传统的协同过滤推荐算法中没有将用户-项目评分矩阵数据稀疏,用户之间共同评分项目稀少这一状况考虑在内,当出现该情况时使用传统的相似度计算方法将会导致推荐结果出现精确度不高的现象。针对该问题,本文提出了结合用户的评分时间来发现具有相似评分行为的用户,从而改善传统协同过滤算法中寻找最近邻的方法,该方法相比传统的基于用户的协同过滤算法平均绝对误差降低了 1.89%;提出了融和用户评分方差相似度的改进算法,从而更全面地利用用户评分信息来改善相似度的计算,该方法使得平均绝对误差降低了 1.94%;提出了在结合用户评分的基础上融合用户评分方差的改进算法,该算法使得平均绝对误差降低了 2.19%。通过实验的结果可知,即使在数据稀疏、用户之间共同评分稀少的前提下改进的算法依然能相对准确的计算用户之间的相似度,达到提高推荐准确性的目的。。