个性化推荐不需要用户主动提供信息,而是通过挖掘用户的历史行为,获取用户的兴趣爱好、习惯、个性等信息,进一步分析判断用户的需求,以个性化的形式主动地向用户推荐符合其个人特性和兴趣偏好的信息。其中协同过滤推荐算法以其没有限定推荐对象类型、无需用户反馈信息等优势脱颖而出,但在基于用户的协同过滤推荐算法中现有的用户间相似度计算方法存在没有考虑用户间差异以及他们自身兴趣信息等问题。而使用单一的基于用户推荐或基于项目推荐对用户和项目之间的潜在关联考虑不够,也会造成推荐算法的个性化效果不佳。本文将上述两个问题作为研究重点,主要的研究工作如下:(1)针对传统基于用户的协同过滤推荐算法中,相似度计算方法对用户自身兴趣考虑不足,从而影响推荐算法结果个性化的缺陷,本文提出了基于用户的UICF算法,通过引入用户兴趣权重衡量用户间相似度,进一步提高推荐结果的精确度和个性化,并使用倒查表进行数据清理。(2)针对仅使用基于用户或基于项目的推荐算法不能有效综合利用用户和项目的关联信息而导致推荐效果的问题,本文采用了混合这两种算法的方式;由于常用的一般系数和平均系数不能很好地结合用户和项目信息,在融合算法时采用了线性系数的方式,保障混合算法的推荐性能。(3)在融合算法时,若采用传统基于用户或基于项目的推荐算法,推荐效果仍然不如人意。本文提出了 ITCF算法,在融合算法时采用双权重因子:在基于用户推荐算法中采用本文提出的UICF算法;在项目相似度计算中引入项目时间权重,以解决时间因素对项目时效性和用户兴趣迁移造成的影响。新算法不仅可以从海量信息中准确把握用户兴趣,在用户或项目某一方面信息较少的情况下也能保证推荐效果。最后在MovieLens数据集中进行实验,通过与传统基于用户的协同过滤推荐算法以及现有文献中算法做对比,验证了 UICF算法的有效性;通过与传统的基于用户的协同过滤推荐算法以及使用均值系数混合算法做对比,证明了 ITCF算法的有效性。