随着网络的普及和电子商务的广泛应用,越来越多的信息充斥在互联网之中,用户在享受网上购物带来的便捷的同时也面临着信息过载问题的困扰。为了在大量的商品信息中找到符合用户需求的信息,电子商务推荐系统应运而生。协同过滤推荐算法是目前推荐系统应用最广泛和最为成功的技术之一,本文以协同过滤推荐算法为研究目标,以提高目标用户的最近邻居的质量为出发点,对传统的基于用户的协同过滤推荐算法在应用中存在的稀疏性问题、相似性计算不区分对待目标用户喜欢与不喜欢的项、以及不能反应用户兴趣变化等关键问题,给出了一种改进的协同过滤推荐算法。该算法与现有的算法相比,其优势如下:第一,在用户显式评分的基础上,对用户浏览的项目进行了更细致的划分,对那些“已浏览未评分的项”采用隐式评分的方式来扩展原有的用户-项评分矩阵,缓解了数据稀疏性问题;第二,使用本文给出的基于时间权重与目标用户正兴趣的相似性计算公式,只在目标用户具有正兴趣的项上计算用户相似性,提高了最近邻居的质量,同时,赋予目标用户近期访问项更高的权重,有效反映了目标用户的兴趣变化;第三,使用了原有电子商务网站的项目分类模型作为算法分类的标准,在各个不同的子类中寻找目标用户的最近邻居,在每个子用户-项评分矩阵上生成子预测侯选推荐集合,这样可以找到更“真”的邻居。通过在MovieLens和EachMovie数据上对平均绝对误差的对比分析实验证明,改进的算法在一定程度上比传统的基于用户的协同过滤算法有更高的评分预测准确度。