由于评分数据源的规模不断增长,在数据信息推荐的过程中,计算时间以及精度方面的问题亟待解决,提高推荐结果的精确度以及降低误差率,在推荐系统方面是很有意义的。在文中进行了相关的研究,主要做的工作有以下3个方面。第一,文中在数据实验的基础上,得出基于用户的协同过滤推荐算法(User Collaborative filtering recommendation algorithm,UserCF)和基于物品的协同过滤推荐算法(Item Collaborative filtering recommendation algorithm,ItemCF)的特性,并针对评分矩阵数据集中的用户量和物品量的变化趋势采用以上两种过滤算法进行实验分析。结果表明,根据评分数据特征选择合适的过滤算法,能够使算法的效率更高,更好的达到推荐的目的。第二,在C++语言的环境下编写程序,以评分矩阵为数据源,计算UserCF和ItemCF算法在不同K值下的准确率、召回率、覆盖率和新颖度值,通过四个评测指标的实验来验证UserCF和ItemCF算法的特点。通过数据实验和经验总结法,分析UserCF和ItemCF的算法特征。根据UserCF和ItemCF算法的特点,分析了适用于不同场景的推荐算法的性能,提出了基于评分矩阵的推荐算法。第三,通过计算MAE的值来确定文中算法的误差率和精确度。完成基于MovieLens评分数据的实验并得出结论,根据矩阵特征来先判断使用何种算法,然后计算相似度并进行推荐,能达到理想的推荐效果,且时间复杂度有所降低。