随着大数据时代的到来,人们很难从大量的信息中找到他们所需的信息。推荐系统对用户的爱好、习惯等信息数据进行收集和分析,便于能够迅速精确地推荐给用户他们所需要的信息。因此推荐系统成为缓解信息过载问题较为普遍的方法。而协同过滤算法是最常见的推荐方法之一。针对推荐系统协同过滤方法中存在的数据稀疏和冷启动等问题,提出一种混合相似性模型的协同过滤推荐算法。该算法首先计算用户在不同项目间的相似性,然后结合项目特性和标签信息权重来描述用户、项目、特性和标签之间的关系;其次,设定用户偏好因子和不对称因子调整不同用户间的评分偏好;最后,结合用户间相似性、项目综合权重、以及评分偏好构建混合相似性模型,并加入用户时间权重信息解决项目冷启动问题。在公开的Movielens等数据集上的实验表明,该算法在各种评估指标上比其他相关方法获得更显著的效果。具体研究内容如下:(1)针对推荐系统的协同过滤方法中长久留存的数据稀疏问题,本文提出基于评分的用户混合相似模型对不同用户在不同项目间的相似度进行计算,并将不同项目间的评级关系作为权重调整用户相似度。同时,为了平衡不同用户间的评分偏好并提高模型的可靠性,提高推荐的准确度,设定用户偏好因子和不对称因子作为权重来调整模型。(2)针对推荐系统的协同过滤方法中冷启动难题,本文提出基于项目特性和项目标签的计算模型,将用户、项目、特性、标签之间的关系转变成关系图模式,使其更为直观地描述用户-项目-特性之间和用户-项目-标签之间的关系,得到项目特性和项目标签的关系权重,并将项目特性权重与用户时间权重信息结合来解决冷启动难题。(3)本文最终提出一种混合相似性模型的协同过滤推荐方法,结合基于评分的用户混合相似模型和基于项目特性和项目标签的计算模型来解决数据稀疏和冷启动难题。本文算法在三种公开发表的经典数据集上展开实验。结果表明,混合相似模型的协同过滤推荐算法在各种评估指标上比其他相关方法获得更好的结果,并有效地解决了数据稀疏和冷启动问题。