信息过载严重影响了用户获取信息的效率。为了在网站上获取感兴趣的信息,用户需要花费大量的时间浏览与用户不感兴趣的信息。推荐系统可以帮助用户从海量的信息中高效地获取自己需要的信息,也可以帮助信息生产者让自己的信息从海量信息中脱颖而出。目前协同过滤技术是在推荐系统应用中的有效技术之一。但协同过滤技术在冷启动、可扩展性和数据稀疏等方面仍存在问题,如何解决这些问题已成为推荐系统的研究热点。本文在研究推荐系统的基本概念和研究现状的基础上,对常见的推荐技术进行了详细的分析比较,着重讨论了协同过滤算法优缺点,提出了两种协同过滤算法的改进策略。两种改进算法的目的在于提高在用户评分数据稀疏的情况下推荐准确度。如果项目类别很模糊,那么基于用户偏爱的方法比较合适,该算法引入用户偏爱的概念,通过计算不同项目之间的服务属性,确定项目之间的相似度,再根据不同的用户对于项目的服务属性的偏爱程度,计算出服务对于用户的矫正因子,以达到提高推荐准确度的目的。在用户项目类别容易定义的情况下,则采用基于项目类别和属性的混合协同过滤算法比较合适,该算法主要通过考虑项目所属类别,充分利用用户评分数据和项目信息进行推荐,达到进一步提高推荐质量的目的。本文构建了一个电影推荐系统环境,以验证本文改进算法的有效性和推荐质量,实验结果表明,本文提出的改进算法能够有效地提高推荐结果的准确性。