互联网技术的普及,促使电子商务被越来越多的用户所接受。推荐系统可以与用户进行交互,模拟商店销售人员帮助用户完成购买过程,并能根据用户的兴趣对用户进行个性化的推荐,对提升电子商务网站的用户满意度、增加网站的销售量有重要影响。近年来推荐系统在理论研究和实践应用方面都取得了很大的进展,在电子商务中的应用有着广阔的发展前景,引起了越来越多的企业和学者的关注。推荐系统的好坏取决于系统所使用的推荐算法,目前主要的推荐算法有:协同过滤、基于内容、基于人口统计、基于知识和上述算法的混合推荐算法。其中协同过滤对推荐对象没有特殊要求,可以广泛地应用于音乐、电影和在线学习等各个领域,在数据密度达到一定程度时表现出非常好的推荐质量,因此在推荐系统领域取得了最大的成功,成为学者研究推荐算法的热点。论文对传统的基于用户和基于项目的协同过滤算法进行了深入研究,发现传统的协同过滤推荐算法对用户偏爱度问题、用户兴趣度问题和用户信任度问题没有给出合理的解决方案,因此在面对商品数量庞大并且用户评分可信度不高的情况下,不能给出准确和高效的推荐。现有的对协同过滤的改进算法可以在一定程度上解决上述问题,但都存在一定的局限性。基于以上分析,论文提出了分类相似度、用户兴趣度和用户可信度三个概念,并为这三个概念找到了一个较好的结合点,改进了推荐流程,很好地解决了上述几个问题。改进后的算法首先根据分类相似度和用户兴趣度确定向用户进行推荐的类别,缩小预测评分的项目空间;在计算邻居用户时,综合考虑目标用户和邻居用户评分的相似度以及邻居用户在领域内的可信度,因此算法搜索到的邻居用户既与目标用户的兴趣比较相似又比较可信。论文设计了三部分实验,除采用传统的平均绝对偏差(MAE)和平均推荐产生耗时(MCT)两个评估指标进行评价之外,论文还提出了一个新颖度指标(NOV)对推荐效果进行考查。经过一系列对比实验证明:改进后的算法能够明显地提高推荐的准确度。另外,由于本文算法采用了离线和在线结合的方式产生推荐,并且缩小了预测评分的项目空间,因而推荐效率也有较大提高。本文算法的另一个优点是在用户的平均可信度不高的情况下,依然能够保持非常低的平均绝对偏差,表明该算法有很强的实用性。