推荐系统根据用户对项目的喜好程度进行信息过滤，并应用知识发现技术为用户推荐可能最有兴趣的内容。作为常用的知识发现技术之一，协同过滤是个性化推荐系统的主要工具。随着推荐系统的站点结构越来越复杂、内容和用户数量越来越多，协同过滤算法在实现过程中暴露出很多问题，本文研究数据稀疏处理、预测准确性和可扩展性三个问题。　　 结合基于用户的协同过滤算法和基于项目的协同过滤算法，在数据更新过程中增加增量更新机制，提出了基于增量更新的自适应协同过滤推荐算法IUACF，该算法由自适应协同过滤和增量更新两个处理过程组成。在自适应协同过滤阶段，首先采用项目实体评分数据之间的相似性与项目属性数据相结合的方式，最大限度地扩大用户共同评分数据而降低数据稀疏性，然后通过相似性调整因子和阈值的作用，使被选为近邻的对象与目标对象之间相似性更高，最后设置一个权重因子平衡基于用户群的预测评分与基于项目群的预测评分之间的权重关系，从而提高推荐准确率；增量更新机制能够适应用户兴趣变化的需要，以较小的系统计算量在用户提交新评分后实时更新相应项目与其它项目之间的相似性数据，从而消除了传统方法在每次进行推荐更新时无法避免的扫描全体项目空间的计算耗费，有效地改善了算法的可扩展性。　　 在公开数据集MovieLens上对算法验证，表明本文提出的IUACF算法在预测准确性和可扩展性上，较传统的基于用户的协同过滤算法和基于项目的协同过滤算法都有所提高，实验也测试出了相似性调整因子和阈值的最佳设置值。