在互联网迅猛发展的今天,信息和数据呈现爆炸式增长,面对海量数据信息,如何快速准确地找到用户感兴趣的内容,已经成为一个亟待解决的重要问题。推荐系统在此背景下诞生,推荐算法是推荐系统的核心,它可以通过挖掘用户行为数据构建用户兴趣偏好模型,从而主动为用户进行推荐。协同过滤是推荐算法中广为应用的技术,项目间和用户间相似度的度量是协同过滤推荐算法的关键,仅依据稀少的评分数据无法准确地进行相似度计算,因此,如何利用项目间存在的内在关联性来改进项目间的相似度和如何利用SimRank信息来改进用户间的相似度成为了本文的研究重点,主要的研究工作如下:(1)针对评分数据稀疏带来的传统协同过滤算法中项目间相似度计算不准确问题,提出一种基于频繁项集挖掘的协同过滤推荐算法,采用Apriori算法对事务数据库进行频繁项集挖掘,利用Jaccard相似度来衡量频繁项集中项目间的关联性,得到基于频繁项集的项目相似度,再引入加权因子将该相似度与通过评分数据计算的项目相似度进行综合,得到项目间的综合相似度。算法不仅考虑了项目间内在关联,还考虑了用户对项目的评分数据,提高了推荐算法的推荐质量。在MovieLens、FilmTrust和LastFM这三个公开数据集上进行实验,实验结果显示,提出的改进算法较对比算法能取得更好的推荐效果。(2)提出一种基于改进SimRank的协同过滤推荐算法,算法对用户-项目二部图进行优化,根据评分数据和用户的特征构建用户节点关系图,解决了已有的SimRank算法中二部图结构复杂导致算法复杂度高的问题,同时考虑不同邻居用户对目标用户的贡献不同,利用加权因子改进SimRank计算方法,更精准地度量用户间的相似度。并利用SimRank算法的传递性,挖掘出目标用户更多的潜在邻居,提供更多样的推荐项目,缓解了数据稀疏性导致协同过滤算法预测准确度低和覆盖率低的问题,在MovieLens、FilmTrust和LastFM这三个公开数据集上进行实验,其结果证明了改进算法的有效性。