随着互联网、移动互联网的快速发展,电影、音乐等领域的网站越来越多,导致网络中的信息量急剧增加,人们从中获取所需的信息需要花费大量的时间和精力。推荐系统是解决“信息过载”问题的有效方法,其中,协同过滤是推荐系统中应用广泛且成功的算法。但是随着用户数和项目数的增加,协同过滤算法面临着数据稀疏性、用户兴趣偏好难以获取、可扩展性等问题。本文主要针对前两个问题展开研究,提出三种改进算法。本文的主要研究内容包括:1.针对传统的协同过滤算法中用户兴趣偏好难以有效获取的问题,研究一种结合用户兴趣偏好聚类的协同过滤算法。考虑到用户对每个关键词的偏好不同,利用TF-IDF(Term Frequency–Inverse Document Frequency)计算并建立用户-关键词偏好矩阵,基于Canopy算法与K-means相结合对用户聚类并实现推荐。实验结果表明,该方法在捕捉用户兴趣偏好的同时,一定程度上缓解了数据稀疏性问题,也降低了推荐算法的时间复杂度。2.针对传统的协同过滤算法没有充分考虑用户兴趣漂移的问题,提出一种基于自适应时间权重的协同过滤算法。通过遍历无向图在筛选出用户评分数据的基础上,改进了Pearson相似度计算方法。在计算预测评分时,引入自适应时间权重函数,利用时间衰减调节因子控制时间函数的衰减速度,可在一定程度上改善数据稀疏性和用户兴趣漂移造成的推荐算法性能不佳的问题。3.针对推荐系统存在的冷启动问题,提出一种基于用户特征和项目关键词的协同过滤算法。在所研究的前两个算法基础上,建立特征属性-关键词相关性矩阵和用户-关键词偏好矩阵,基于用户的内容相似性和用户偏好相似性改进相似度计算策略。在评分预测时使用Logistic时间函数拟合用户兴趣变化,仿真实验表明了该方法的有效性和可行性。