随着互联网的普及和电子商务的迅猛发展,信息膨胀与冗余给人们的社会活动和商务活动带来了信息选择的困惑。如何为每个用户提供快捷准确,满足个人实际需要的信息,已成为众多业内人士越来越关注的问题。推荐系统在理论和实践中都得到了很大发展,但是随着电子商务系统规模的进一步扩大,推荐系统中存在的稀疏问题和冷启动问题严重影响了推荐质量。针对推荐系统面临的主要挑战,本文对推荐系统及其主要的推荐技术—协同过滤技术进行了有益的探索和研究。本文的主要研究内容如下:1)基于奇异值分解的改进协同过滤算法。本文通过奇异值分解的方法对用户评分矩阵进行降维,搜索最佳的用户特征矩阵和项特征矩阵,使其能有效地反映原始评分数据的特征,并在此基础上利用特征矩阵进行用户评分预测。实验结果表明,基于奇异值分解的改进协同过滤算法可以挖掘用户评分数据的潜在特征,并且能有效地解决用户评分数据的稀疏问题,从而提高推荐系统的推荐质量。2)基于项的改进协同过滤算法。针对用户评分数据的极端稀疏,本文在传统的基于项的协同过滤算法的基础上,在度量项之间相似性阶段,采用基于均方误差的相似性度量标准进行计算,并且在评分预测阶段,采用基于回归方法得到用户对未评分项的评分值。实验结果表明,基于项的改进协同过滤算法可以以较小的时间代价来有效提高评分预测的准确性,同时,很好地弥补了传统的协同过滤算法在冷启动问题上的不足,提高了推荐系统的推荐质量和推荐精度。