在互联网快速发展的今天,人类步入了网络信息化的时代,这给人们提供了越来越丰富的服务和体验。人们可以突破时间和空间的约束,在互联网上聊天、看新闻、看视频、玩游戏、购物和学习。但是,互联网的快速发展也使得互联网上的各种各样的信息呈爆发式增长,其中充斥着大量对用户无用的信息,产生了信息过载的问题。对于这个问题,个性化推荐技术是一个非常有效的解决方法,它通过分析用户的信息需求和兴趣偏好,将用户可能会喜欢的对象推荐给他,使用户在互联网上拥有更好的体验。在个性化推荐系统中,最为核心的是推荐算法,协同过滤是最被大家熟悉和广泛使用的推荐算法,其基本思想类似于去超市买东西时,对于大众都喜欢购买的物品,自己购买这个商品的概率就会非常大;或者自己很喜欢一种物品,当浏览到和这种物品很像的一种物品,而且其他人都对这种物品都有不错的口碑时,自己就会很大的概率购买它。它依赖于用户-项目评分矩阵。但协同过滤算法仍然存在着许多问题,比如冷启动问题和数据稀疏性问题,这使得推荐的精度还有提高空间。对于冷启动问题,本文提出了基于分类和特征相似性的冷启动的解决方法。对于数据稀疏性问题,本文提出基于多分段改进PCC和时间特性的方法以提高最近邻和预测评分的准确度。基于分类和特征相似性的冷启动解决方法利用新用户的内容信息对用户进行分类,再利用特征信息计算相似度,得到当前用户的最近邻用户,最后对新用户的当前项目进行预测评分,将评分排序后把分数最高的几项推荐给用户。该方案弥补了新用户或新项目没有评分信息的问题,有效解决了这个问题。基于多分段改进PCC和时间特性的协同过滤算法,将PCC根据条件作多级划分并进行计算,将用户间共同项目数和相似度阈值作为划分条件考虑,并以在PCC计算结果上加上一个正数值取代在PCC计算结果上用公共项目数加权的做法,在预测评分时增加了一个时间权重,最后通过实验和采用其他相似度方法的协同过滤进行比较,结果表明基于多分段改进PCC和时间特性的协同过滤算法在推荐准确度上有显著提高。