随着互联网技术的高速发展,人类已进入了信息社会和互联网经济时代,电商网站的用户和物品数目激增,用户难以从繁多的商品中挑选心仪的产品。因此个性化推荐系统应运而生,它能够根据用户的个性化需求有针对性地为其提供推荐服务。协同过滤是目前个性化推荐系统中应用最广泛、最成功的推荐算法,但是面临数据稀疏性、冷启动、算法可扩展性和仍然有待提高的准确性等问题的挑战。本文重点研究了协同过滤推荐算法的相关问题与最新成果,从现有研究在提高准确度时考虑较少的用户评分偏好和用户局部相似性两个因素出发,提出了针对协同过滤准确性问题的改进算法。本文的研究内容主要包括以下两个方面:第一,基于不同用户在对项目进行评分时有不同评分偏好的事实,提出一种基于用户评分偏好的协同过滤算法(Rating Preference Distance,RPD),旨在缓解用户评分偏好因素对近邻用户选择的影响,提高预测评分精度。该算法将评分值分为“正性”和“负性”两个方面,在计算用户间相似性时,分正负性构造评分偏好因子计算公式,利用其改进用户相似性计算方法,提高近邻用户选择的准确性;对最后的预测评分计算公式也分正负性评分进行重构,以提高预测评分计算的准确性。对比实验结果表明,RPD算法能显著提高预测评分的精确度,从而为推荐项目的选择打下良好的基础。第二,基于用户间存在局部相似性的事实,提出一种基于局部项目空间的协同过滤算法(Local Item Space Distance,LISD),旨在通过在局部项目空间选择近邻用户和计算预测评分,提高预测评分精确度和推荐结果准确度。该算法将用户间的相似性从项目的角度进行了更加细致的区分,在选择近邻用户时首先确定待推荐项目的局部项目空间;然后,分别在每个局部项目空间中利用改进的相似性计算方法寻找近邻用户,之后同样在每个局部项目空间中计算预测评分;最后,全局比较在每个局部项目空间计算出的预测评分来生成推荐项目列表。对比实验结果表明,LISD算法能有效提高预测评分精确度和推荐结果准确度。