电商网站的层出不穷导致了用户与商品的数量急速上涨,用户已经很难在纷繁复杂的商品信息中发掘出对自己有价值的信息,在这样的背景下个性化推荐系统诞生了。它的功能是依据用户个性化的特征来精准地为其提供推荐服务。目前协同过滤推荐算法是现有推荐系统领域内应用最经典的一种算法,但仍然存在着数据稀疏性、冷启动问题、可扩展性问题和有待提高的准确性等几大经典问题需要继续加强研究。本文根据协同过滤推荐算法的相关问题与最新研究成果,提出了针对协同过滤准确性与可扩展性问题的改进算法。本文从以下两个方面开展理论研究与探讨:第一,针对传统Slope One算法有待提高的推荐精度问题,提出了一种基于局部近邻的Slope One协同过滤推荐算法。经典的Slope One算法采用线性回归模型来对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能;基于局部近邻Slope One算法计算了当前活跃用户针对不同推荐商品的近邻用户集,实现其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比验证证实,改进算法具有较高推荐精度。第二,针对协同过滤推荐算法面临的可扩展性问题,提出了一种基于动态专家的协同过滤推荐算法。算法针对目标项目来建立随目标项目变化的动态专家库,使得专家库中专家的擅长的领域与目标项目的背景信息相契合;接着只需通过计算当前活跃用户与针对目标项目而建立的专家库中的专家的相似度,借助专家意见来生成推荐。对比实验结果表明,本文算法大大降低了计算的时间与空间复杂度,在维持相对较高的预测准确度和推荐精度的情况下,有效地解决了协同过滤推荐算法中的可扩展性问题。