信息时代的到来使用户难以快速获得对自己有用的数据,为了从海量的数据中帮助用户获取有效信息,个性化推荐算法应用而生。它可以根据用户的历史浏览记录、兴趣类别以及具体的搜索词条,针对性地挖掘用户真正需要的信息,进而为用户产生推荐。目前,由于协同过滤算法具有推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习速度的优点,成为推荐搜索算法研究的热点,但随着信息量不断膨胀,此算法存在冷启动、推荐准确性、数据稀疏性和推荐单一性的问题。为解决以上问题,本文提出了基于用户特征和和项目关联度的协同过滤推荐算法。本文的研究内容如下:第一,针对基于用户的协同过滤推荐算法仅考虑用户评分问题,提出了综合考虑三个方面的关键问题来刻画用户特征,主要包括:(1)针对冷启动问题,提出综合考虑用户的多方面特征,比如性别、年龄、职业等,通过将三种特征对相似度的影响按照相应的重要性用权重系数加权,得到用户间的属性特征相似性,实现对新用户的推荐,改善了冷启动问题。(2)针对推荐准确率低的问题,提出利用用户评分建立用户兴趣特征的方法,计算出用户间的兴趣相似度,为用户推送其喜爱的项目,提高了推荐准确性。(3)针对数据稀疏性问题,提出建立用户信任特征的方法,信任特征分为直接信任度和间接信任度,直接信任度表示用户间可以直接彼此信赖,间接信任度可以通过用户间的直接信任度传递得到,将间接信任度的传递得到的信任特征矩阵对原始的评分矩阵进行填充,改善了数据稀疏性问题。第二,针对推荐算法的推荐单一性问题,提出了利用关联规则找出项目间频繁项集,然后与基于用户特征的协同过滤算法结合进行混合推荐的方法,该方法为用户推荐出有关联的项目,改善了推送结果单一性问题。本文使用Movielens站点数据集来验证算法准确性。实验结果表明,本文提出的算法与同类算法相比在推送精度上有着显著提高。