随着互联网技术的发展,网络信息资源成指数级别增长。面对海量的信息资源,用户很难找到自己所需要的信息资源,面临着严重的信息过载问题。为了帮助用户更轻松的找到自己所需要的信息资源,推荐算法应运而生,并被广泛应用于各种推荐系统中。协同过滤推荐算法是目前应用最为成功的一种推荐算法。它主要依据目标用户在推荐系统中的历史行为信息,计算其余用户与目标用户之间的相似度,与目标用户最为相似的用户集将决定向目标用户推荐的信息资源。针对数据稀疏性问题,本文提出了一种基于用户评分和项目属性偏好的推荐算法。该算法改进了传统推荐算法的两个方面。一方面,从用户对项目属性偏好的角度出发,构造了基于项目属性偏好的相似度。从评分差异、评分习惯、置信度的角度出发,构造了基于项目评分的相似度。将两个相似度粗细结合,取代传统推荐算法的相似度。另一方面,改进了传统推荐算法的搜索空间。通过以项目属性偏好相似度为距离的聚类和以共同评分相似度为距离的聚类,获取两个与目标用户最相似的类,并将两个类结合起来作为最近邻集合的搜索空间。实验表明该算法一定程度上能够缓解数据的稀疏性问题,比传统的协同过滤推荐算法拥有更高的推荐精确度,更快的推荐效率。针对用户信任关系稀疏的问题,本文提出了一个扩充信任关系的方法。该方法充分考虑了多种因素对信任关系的影响,扩充了初始的信任关系。进一步将信任关系和相似度融合,并提出了基于信任相似度的协同过滤推荐算法。实验表明相比传统基于信任的推荐算法,该算法具有更高的推荐精度,更高的覆盖率。