随着互联网的普及以及信息技术和电子商务的迅猛发展,“信息爆炸”问题和“信息过载”问题愈来愈严重,如何高效快速地找到用户需要的资源已成为亟待解决的问题。推荐系统作为解决该问题的有效手段之一,已在诸多领域取得广泛应用。但是,其核心内容——推荐算法,尤其是协同过滤推荐算法正面临几大严峻的挑战,主要包括用户评分数据稀疏性高、推荐精度低、可扩展性差和冷启动等。本文在深入研究传统协同过滤推荐算法的基础上,总结分析前人已取得研究成果的缺点与不足,从传统算法所面临的数据稀疏度高和推荐精度低等问题入手,提出一种基于项目属性的多矩阵协同过滤推荐算法。算法首先将项目属性分为单值属性和多值属性,并结合实际情况删除低价值属性值,保留高价值的属性值;其次,采用均值法或缩放法构造用户-项目属性值评分矩阵,由于项目一般会有多个属性,所以会得到多个用户-项目属性值评分矩阵;第三,算法在尽量保留系统中用户偏好真实性的基础上,采用数据稀疏度和数据减少度两个准则选取部分属性参与评分预测,以保证相似度计算的准确性,提高推荐精度和系统效率;第四,在每个用户-项目属性值评分矩阵的基础上,分别计算目标用户与其他用户间的偏好相似度,并依此选出目标用户的多个偏好最近邻居集;第五,在用户-项目评分矩阵上完成目标用户在最近邻居集中对目标项目的初步预测,得到多个初步评分;最后,将多个初步评分加权求和作为综合评分,并将综合评分最高的T个项目推荐给用户,完成推荐。本文采用MovieLens 10M扩展数据集作为实验数据集,从中随机抽取五个训练数据集,然后从以下几个方面进行对比分析:初步评分精度,综合评分精度,属性选取对推荐精度的影响,本文算法与传统算法在时间、空间效率上的对比以及算法在新用户问题上的表现等。实验结果表明,本文算法能有效提高协同过滤算法的推荐精度,并在一定程度上缓解了用户冷启动问题。