随着互联网和电子商务技术的不断发展,互联网上的信息资源成倍的增长,海量信息呈现在人们面前,用户很难从中有效快速的找到自己所需的资源,产生了“信息过载”的现象。为了处理这种情况,个性化推荐系统应运而生,这些个性化推荐系统不仅帮助用户找到所需资源,提高资源的利用率,而且为服务提供商带来更好的用户体验和商业契机。在当今大数据时代,个性化推荐技术被普遍认为是电子商务领域必不可少的服务技术。在个性化推荐服务领域中,协同过滤推荐算法是应用最广泛和最成功的技术,它的主要思想就是根据用户的历史评分相似性,依据最近邻居喜好的项目,向目标用户推荐预测项目。但协同过滤推荐算法在得到广泛应用的同时,也发现了一些缺陷,例如数据稀疏、冷启动、推荐准确性低、缺乏信任等问题。本文通过对协同过滤推荐算法深入分析,针对协同过滤推荐算法中存在的推荐准确性不高、用户评分缺乏信任两方面的问题进行了改进,提出了基于多属性评分的协同过滤推荐算法。首先,由于传统协同过滤推荐算法都是单一总体评分,缺少对用户兴趣偏好的多方面了解,从而导致推荐不够准确。本文引入了项目多属性评分,并利用信息论中的信息熵对用户的属性评分变化幅度进行分析,根据属性评分变化幅度的高低来决定用户自身历史评分与邻居用户推荐评分所占的比重,之后根据两者的综合评分来决定项目各属性的评分。最后以项目各属性的评分来计算用户对项目的总体评分,这样就解决了单一评分对用户考察不全面的缺点。针对恶意用户攻击的信任问题,本文利用用户评分的偏离度和每对用户共同评分项目数来考量用户之间的信任度,将邻居用户中评分信任度较低的用户筛选出去,从而将恶意用户隔离到推荐邻居集之外,确保推荐准确、可信。最后,本文以当前公认的推荐系统评价方法为标准,进行实验验证,实验结果表明本文所提算法切实可行,无论在推荐准确度还是可信度上都优于传统协同过滤推荐算法。