互联网的快速发展在给人带来便利的同时,也产生了大量的数据冗余,如何在大量数据中检索到用户需要的数据以及给用户精准推荐是目前所面临的问题。推荐系统其作为信息过滤的有效手段,逐渐成为计算机学术和应用领域的热门研究对象,在互联网系统中被广泛地使用。传统的推荐算法被划分为基于用户的推荐算法和基于项目的推荐算法,而协同过滤推荐算法作为经典的基于用户的推荐算法被广泛应用,但是依然面对诸如推荐效率低、矩阵稀疏、用户异常值、事务多分类等问题。因此本文针对传统的协同过滤算法进行深入研究,从评分矩阵的修正和多维属性两个方面进行改进,利用评分矩阵的修正,解决传统算法中关于用户最近邻搜索困难、用户异常值以及多维事务推荐等问题。本文的工作如下:(1)本文在传统算法的基础上针对协同过滤算法推荐效率低、矩阵稀疏、用户异常值等问题,提出修正评分的协同过滤算法。算法首先通过聚类提高用户最近邻的搜索效率,针对传统算法中加权评分无法解决异常值问题,本文提出修正评分作为衡量指标以解决用户异常值对于推荐算法精度的干扰。由于传统算法仅考虑了用户与用户之间的相关性,没有考虑事务与事务之间的关联,在给用户进行推荐时导致推荐结果失真。为了解决该问题,本文结合关联规则中的置信度以及加权评分提出修正评分的协同过滤算法,算法通过解决用户异常值问题而提高了推荐精度。(2)由于在面对具有多维属性的事务时,修正评分的协同过滤算法精度低。本文针对修正评分的协同过滤算法进行改进,提出事务多维划分的推荐算法。算法通过事务多维划分策略给出用户对于属性类别的偏好系数,结合修正评分指标对用户做top-N推荐。试验证明,算法很好的解决了事务多维属性分类问题,同时也保证了算法的推荐精度。实验表明,本文提出的修正评分的协同过滤算法和事务多维划分的推荐算法能够有效的为用户提供个性化推荐。