互联网和信息技术的快速发展满足了人们对信息的需求,但人们在享受其带来便利的同时,也面临着信息过载的问题。为了解决这一问题,推荐系统应运而生,并在电影、社交、电子商务等多个领域得到了广泛的应用。推荐算法作为推荐系统的核心,近年来一直是研究的热点,其中应用最广泛和成功的是协同过滤推荐算法。加权Slope One算法作为一种基于项目的协同过滤,其采用线性回归进行评分预测,简单、高效且易于实现,被广泛研究。然而该算法无差别对待所有用户数据,且未深入考虑用户或项目间的联系,其评分预测过程存在一定缺陷。因此,本文对此展开研究,具体的研究工作和创新点如下:1.针对加权Slope One算法在计算项目间评分偏差时,考虑了所有共同评分的用户,难免会引入大量干扰数据影响预测结果的问题,本文提出一种改进的基于动态K近邻的加权Slope One算法。首先,在修正余弦相似度的基础上引入平衡因子、时间权重和热门项目惩罚因子,并与欧几里得相似度进行组合来优化近邻度量方法。然后,设置用户相似度阈值和近邻数,以双重阈值的方式对近邻选择方法进行改进。最后,采用改进的动态K近邻方法筛选近邻用户集,以保证只有与目标用户偏好相似的用户数据才能参与到项目间评分偏差的计算中,从而提高评分预测的准确度。2.通过对干扰数据进行过滤,一定程度上提高了加权Slope One算法的预测准确度。但其评分预测的过程主要依赖项目间评分偏差和项目共同评分的用户数,而未深入挖掘用户或项目间的联系,在评分数据稀疏的情况下算法准确度并不理想。对此,本文提出一种改进的基于动态K近邻和多权值的Slope One算法。该算法在之前改进基础上,分别将改进的用户相似度、信任度和项目相似度作为权重因子加权到评分预测的过程中,以区别对待不同的用户和项目,从而进一步提高预测的准确度。最后,在Movie Lens数据集中进行改进算法的实验验证。实验结果表明,改进后的算法有效地提高了评分预测的准确度。