在科技高速发展的今天,如何从纷杂的信息大世界中获取有用信息,解决信息超载问题,已成为一项具有挑战性的工作。推荐系统作为解决信息超载问题的有效途径,成为当前学术界的热点问题。推荐算法是推荐系统中的核心组件,其中,协同过滤推荐算法由于其简单且易于实现的特点,被广泛使用。针对推荐系统中存在的数据稀疏性和冷启动问题,研究者提出了基于近邻和基于矩阵分解等有效的协同过滤算法。在使用基于近邻的协同过滤算法进行评分预测时,用户间和项目间的相似度度量策略的选择是影响推荐质量的关键,但是仅使用评分矩阵无法真正衡量相似度,为此,针对如何利用系统中存在的额外信息来改进用户间和项目间的相似度成为了本文的主要任务。论文围绕用户间和项目间的相似度度量方法、如何有效利用标签信息和时间信息这两个方面展开研究。论文的主要工作如下:1.提出一种结合评分和项目相关性的协同过滤算法模型(URIC)该算法结合评分信息和项目的属性标签信息,将项目的属性相关性以及兴趣相关性融入到相似度计算过程中以此弥补仅基于评分矩阵计算相似度的不足,通过在MovieLens数据集中进行的对比实验,结果表明URIC算法具有较好的推荐结果,可以有效地缓解数据稀疏性问题。2.提出一种结合标签和时间因素的协同过滤算法模型(TT-CF)该算法结合标签信息和时间信息对传统的协同过滤进行改进。利用标签信息和评分信息计算用户间和项目间的相似度克服仅基于评分矩阵计算相似的不足,同时引入时间权值,对用户最近的评论过的项目给予较大的权值,强调用户最近的兴趣行为,在MovieLens数据集中进行的对比实验,结果表明TT-CF算法能够改善推荐的准确性,缓解数据稀疏性问题。3.提出一种结合LDA主题模型和巴氏系数的协同过滤算法模型(UBL-CF)该算法结合LDA主题模型和巴氏系数改进传统的协同过滤算法。利用LDA主题建模方法在用户标签集和项目标签集上挖掘隐含的主题信息,引入巴氏系数利用用户间的所有评分信息克服共同评分的限制,缓解数据稀疏性问题。