随着互联网的高速发展和电子商务的繁荣，人们在面临众多资源的时候，往往要花费很长的时间去寻找自己想要的资源，给现在快节奏的人们带来了不便。推荐技术的出现，比较好的解决了这一问题，受到了人们越来越多的关注。推荐系统通过用户的个人信息，历史行为等信息主动的向用户推荐资源，减少了用户在筛选资源浪费的时间。作为解决资源过多的有效手段，推荐技术发展至今已经产生了许多种，它们借鉴了很多其他领域的知识，例如数据挖掘、神经网络、人工智能等。通常来说，推荐技术主要包括基于关联规则的推荐技术、基于内容的推荐技术、基于协同过滤的推荐技术、基于混合的推荐技术和一些其他的推荐技术。每种推荐技术都有自己的优缺点，它们运用于不同的对象会有不同的效果。基于协同过滤的推荐技术作为其中的一种，是现今运用最为广泛和成功的一种技术。它利用评分数据寻找用户或者项目的最近邻来计算用户对待预测项目的评分，根据评分的高低决定是否推荐给用户，但其存在着数据稀疏、冷启动等缺陷，影响着推荐的质量。本文的主要工作有两点。第一点，提出利用特征属性和评分计算项目相似性。第二点，将项目分类和用户情景引入到基于项目协同过滤技术中，提出了一种基于项目分类和用户情景的推荐技术。对于第一点，它综合了基于内容推荐技术中利用项目特征属性和基于项目协同过滤推荐技术中利用项目评分数据的两个不同方面。首先利用项目的特征属性对项目进行分类，然后再在项目类别中寻找目标项目的最近邻。该方法有别于传统的基于项目的协同过滤技术中将寻找目标项目的最近邻放在所有的项目范围内，而是缩小在项目类别的范围内，充分利用了项目的特征属性和评分数据，提高了目标项目最近邻的可靠性程度。对于第二点，在项目类别中引入用户个性化情景因素，建立项目类别和用户情景因素间的对应关系。在预测目标用户对目标项目评分的时候，根据目标项目的特征属性找到目标项目所属的项目类别，进而找到目标用户在该项目类别下对应的用户个性化情景，通过寻找与目标用户具有相同情景因素用户的评分数据和目标项目的最近邻进行预测评分。本文通过MovieLens数据集来验证本文提出的改进方法的有效性，并将实验结果和Slope One算法进行比较，得出本文算法较Slope One算法在推荐准确度方面上有所提高。最后，本文算法在一个实际的项目中得到应用。