随着互联网的迅速发展和普及,现代电子商务得到广泛的应用,越来越多的商品信息充斥在商务网站中,人们面对如此众多的商品信息感到束手无策,很难在短时间内找到自己需要的商品,这就是“信息过载”现象。为了能够帮助顾客迅速找到其所需要的商品,电子商务个性化推荐技术便应运而生。目前,在众多的个性化推荐技术中,协同过滤推荐技术是在个性化推荐系统中应用较广泛和推荐效果较好的技术之一。本文以协同过滤推荐技术为基础,以提高推荐质量为出发点,针对传统的User-based协同过滤推荐算法存在的不足,给出了一种改进的User-based协同过滤推荐算法,这种算法跟传统的User-based协同过滤推荐算法相比,其优势主要体现在以下几个方面：第一,原始的用户一项目评分矩阵过于稀疏,影响推荐质量,改进的User-based协同过滤推荐算法对原始的用户一项目评分矩阵进行填充处理,在保留更多有用信息的前提下,提高了用户一项目评分矩阵的稠密度。第二,在计算目标用户相似邻居时,考虑到了用户兴趣性质的问题,只在用户表现出喜欢的项目上寻找邻居用户,这样可以发现与目标用户兴趣更加相似的邻居用户,进一步提高了推荐的质量。第三,改进的算法在计算目标用户的邻居用户时,加入了时间元素,在目标用户最近访问的项目上给予更高的权重,反映出了用户兴趣变化的趋势,这样找到的邻居用户与目标用户最近的兴趣更加相似,推荐的项目也更加符合用户最近的兴趣偏好。第四,对项目进行分类,在目标用户所喜欢的项目所属的各个子类中寻找邻居用户,然后在各个子用户一项目评分矩阵上产生子候选推荐集合,最后综合各个子候选推荐集合得到最终的推荐列表呈献给目标用户,通过这种方式可以找到目标用户更“真”的邻居,对目标用户产生更准确的推荐。文章最后在Movielens和EachMovie数据集上对该算法进行了验证,使用MAE来衡量推荐算法的推荐质量,经试验证明,改进后的算法与传统的User-based协同过滤算法相比,推荐质量在一定程度上得到了提高。