协同过滤是推荐系统中应用最广泛的一种推荐算法,但是该算法依然存在一些问题。用户评分行为的主观性和数据稀疏性导致推荐精度不足,传统的协同过滤算法计算相似度仅考虑历史的评分数据而缺乏对用户与标签、项目与标签之间的相关性分析。针对上述提出的问题,通过对用户行为的分析,围绕协同过滤推荐技术进行深入研究。主要研究内容如下:1.针对用户评分行为的主观性以及数据的稀疏性导致评分预测结果产生误差的问题,提出一种基于云模型的BP神经网络评分预测算法。首先利用逆向云变换,为用户和项目生成评分云模型。其次采用定性定量转换生成用户评分估值的方法,为用户生成多个云评分预测值。最后针对用户评分数据稀疏性问题,在神经网络隐层中加入云预测层,实现评分矩阵缺失值填充,提高评分预测精度。实验结果表明,该方法对比传统方法能够有效提升评分预测的精度,同时缓解稀疏性造成的推荐精度不足问题,提升推荐性能。2.针对协同过滤算法中发现用户最近邻准确度不足问题,本论文提出一种基于标签权重的二部图物质扩散算法,并结合协同过滤算法进行推荐。首先为更准确描述用户偏好,利用标签评分信息作为权重计算方式,构建“用户-项目”标签权重关联矩阵。其次基于图的推荐方法,构建带有用户和项目标签权重的二部图,采用二部图物质扩散算法度量用户间相似性。最后结合基于用户的协同过滤推荐算法,为目标用户生成推荐列表。实验结果表明,本论文算法在召回率、准确率以及F1值上均优于其他对比算法,有效提高推荐质量。