推荐系统作为一种重要的信息过滤手段,可以通过个性化的方式帮助用户在众多的选择之中找到自己感兴趣的内容。推荐系统主要包括基于内容的推荐、协同过滤推荐、基于人口统计学的推荐、基于知识的推荐、基于社区的推荐和混合推荐共六种方法,其中协同过滤推荐算法主要通过用户对产品的评分或其他行为来为用户提供推荐的,是到目前为止使用最早的也是最广泛的一种算法。本文针对传统的协同过滤算法中存在的数据稀疏性和推荐准确率低等问题进行改进,并将改进后的算法应用在美食推荐领域。根据本文所用数据特点,主要改进的算法部分如下:一、改进的空值填补法,即评分矩阵建立后,结合对评论信息的挖掘分析,利用估计的评分对空缺值进行填补,从而降低评分数据的稀疏性对推荐准确度的影响。二、评分标准化处理,本文所用数据来自大众点评网中的真实用户及餐厅信息,因系统中采用的五星评价体系的评分区间跨度较大,而且每个人都有自己的评分习惯,这些原因都会导致用户的评分出现误差。所以本文针对用户的评分数据进行均值中心化处理,提高评分的精确度,降低误差。三、引入时间效用和用户间信任度的相似度算法的改进,一方面,用户的评分代表其个人偏好,而人的偏好会随着时间发生变化,即评分的时效性也会影响推荐的准确度;另一方面,用户间的信任关系也会影响用户对推荐结果的满意程度和采纳情况,即相似用户的权威性及与目标用户间的亲密程度都会对推荐结果造成影响。本文针对上述两个方面对传统推荐算法进一步改进,提高推荐的准确度。在算法改进的基础上,本文还根据相似度的计算结果预测目标用户的偏好,得到对目标用户的餐厅推荐列表,并利用真实数据集进行对比实验,验证改进后的算法比传统算法有更高的准确率。最后,根据本文的算法思想设计实现了融合上下文和评论信息的美食推荐系统,并通过系统测试证明系统的可行性。