协同过滤推荐是推荐系统中的一种重要推荐算法,该算法推荐准确度高,易于实现,但它仍然面临着数据稀疏性和冷启动等问题。在目前的研究中,主要的改进集中在基于模型的协同过滤中,在基于用户和项目属性的算法相似性和预测评分的改进上还存在着空缺。针对上述不足,本文结合用户和项目属性,提出一种基于项目和用户属性的协同过滤推荐算法。该算法分为下述两个部分。在基于项目属性评分的协同过滤中,本文引入了属性重要度和属性可信度两个重要概念,通过属性重要度描述用户对属性的喜好程度,通过属性可信度描述属性重要度的可信任程度。使用属性重要度、属性可信度和用户对项目的评分计算出用户对项目属性的评分。接下来使用用户对项目属性的评分构建用户-项目属性评分矩阵,并计算相似度,接下来在原始的用户-项目评分矩阵上对用户的评分进行预测。最后使用实验对属性重要度、属性可信度和多属性评分的有效性进行了证明,并将基于项目属性评分的协同过滤与基于均值的协同过滤的推荐效果进行了比较,实验表明本算法的推荐效果相比于基于均值的协同过滤在MAE评价标准上提升了0.02。在基于用户属性的聚类的协同过滤中,将用户特征量化,使用k-means算法对用户进行聚类,并对不在同一聚类簇中用户的相似度进行改进,然后使用改进的相似度对用户评分进行预测。最后通过实验证明了属性相似的用户在兴趣上也相似。在近邻数较小时,相比于基于均值的协同过滤的推荐效果有较好的提升,当近邻数逐渐增大时,对推荐效果的提升越来越小。融合本文提出的两种改进算法后,将算法的推荐效果与其他改进相似度的算法进行比较,验证了本文提出的改进方法的有效性。将融合两种改进方法的均值协同过滤分别与基准相关相似性、均方差相似度和相关相似性等相似度计算方法进行融合,观察实验效果的改进程度,实验证明在融合上述三种相似度后,本文的算法效果仍然有很大的提升,从而证明本文提出的算法具有普遍的适用性。