随着云计算、物联网等新兴业务的飞速发展,各个领域的数据信息呈爆炸式增长,导致“信息过载”、“信息迷航”等问题的出现。为了帮助用户快速找到自己喜欢的产品,推荐系统应运而生。而推荐算法作为推荐系统的核心,已成为学者研究的热点。其中协同过滤算法成为最流行的方法之一,在推荐系统中被广泛地应用。然而许多推荐系统只考虑单一因素的影响,导致推荐准确性比较低,推荐效果不好,因此在传统算法的基础上考虑多个影响因素的推荐算法就十分重要。在传统算法基础上引入项目流行度和用户信任度两个影响因素,提出了基于项目流行度与用户信任度的协同过滤推荐算法(PPUTCF)。PPUTCF算法首先对项目流行度和用户信任度进行计算,然后通过融合参数采用线性加权方法将二者结合起来,通过多次迭代计算,获得融合参数最佳值,最后通过预测目标最近邻K值的变化得到多个评价指标的值,再根据评价指标值验证PPUTCF的性能。PPUTCF算法选取Epinion数据集进行实验验证。实验分为两步:一是分别引入项目流行度和用户信任度,通过训练集获得算法模型,得到稳定结果,然后利用测试集得到实验的MAE等评价指标的值,并将该实验结果与传统实验相比较。结果表明,该算法优于传统算法,但推荐推荐准确性较低。二是同时引入多个影响因素:项目流行度和用户信任度。通过训练集获得算法模型,获得融合参数最佳值0.35,然后通过测试集得到实验的MAE等评价指标的值,然后将实验实验结果分别与传统算法及上一步实验相比较。结果表明,PPUTCF算法优于传统算法及第一步实验算法,不仅有较好的推荐效果,推荐准确性也较高。