随着大数据时代的到来及互联网技术的飞速发展,互联网信息呈现爆炸式的增长,人们在轻易获取信息的同时却难以精确的获取自己感兴趣的信息内容,信息过载问题变得日益严重,为解决信息过载问题,不少科学家和工程师提出过多种方法,以协同过滤为代表的个性化推荐技术是解决信息过载的重要技术,并已广泛应用于多领域。但协同过滤存在稀疏性问题、可扩展性问题和冷启动问题等。本文在深入分析国内外推荐算法研究的基础上,重点对协同过滤推荐技术进行了研究,设计了两种算法来解决协同过滤算法存在的一些问题。首先,针对基于用户的协同过滤推荐算法,分析算法在相似度计算存在的一些问题,设计了一种在相似度计算中加入用户共同评分数调节因子和项目冷热门调节因子的协同过滤推荐算法即AD-UBCF(Advance User-based Collaborative Filtering)算法。项目冷热门调节因子是针对项目本身属性的调节,热门项目让其在相似度计算中的权重降低,冷门项目让其在相似度计算中的权重升高。用户共同评分数是针对用户间相似度计算的调节因子,用户共同评分越多,调节因子的值越大,共同评分的值越少,调节因子的值越小。最后通过实验验证了加入这两个调节因子能够有效地提高推荐的准确度。其次,由于社交网站的兴起,传统的协同过滤没有考虑社交因素对推荐结果的影响,有效的利用社交网络关系不仅能够提高推荐质量还能提高用户体验,用户的社交好友关系在一定程度上反映了他们在兴趣爱好上的相似,在社交网络关系中联系越紧密的人其兴趣相似的概率也越高。本文在传统基于用户协同过滤基础上,设计了一种在相似度计算中加入用户重要度融合社交网络关系的推荐算法即SC-UBCF(Social User-based Collaborative Filtering)算法,用户的重要度是根据用户的社交关系计算出来的,通过用户的社交网络好友信息提高相似度计算的准确性,从而提高推荐质量。最后,本文使用百度电影数据集设计了三组实验对算法进行验证。第一组实验确定了用户共同评分数调节因子中?参数最佳取值。第二组实验和第三组用平均绝对误差MAE作为评价指标,用本文设计的AD-UBCF算法和SC-UBCF算法跟传统基于用户的协同过滤推荐算法进行对比,实验结果表明本文设计的AD-UBCF算法和SC-UBCF算法特别是SC-UBCF算法比传统基于用户协同过滤推荐算法推荐性能更加优秀。