推荐系统作为当下信息检索的重要工具,在电子商务等诸多领域得到了广泛的应用和发展。随着2004年web2.0概念的提出,互联网进入了用户自由标注产生内容的时代。社会化标签在电子商务领域被普遍使用,用户通过自由标注能够更好的对资源按自己喜好分类,推荐系统也能够根据标签进行用户兴趣预测,进行高效的推荐。推荐算法根据用户的信息、资源的信息和浏览信息等内容进行偏好预测推荐,使得推荐系统面临着以下几方面的问题:数据量的膨胀使其面临着数据稀疏性的问题,根据用户的信息和浏览记录预测兴趣偏好时的隐私泄露问题,用户兴趣随时间迁移改变的问题等等。针对以上情况进行相应的研究和改进,主要内容如下。(1)针对数据稀疏性问题进行了研究,提出利用Slope one算法对用户没有评价过的资源进行评分预测填充,缓解稀疏性问题。标签作为连接用户和资源之间的桥梁,通过评分更能反应用户在使用标签时对资源的态度,因此将评分和标签融合。通过评分矩阵对标签进行加权更有利于提高推荐准确性。(2)针对隐私泄露问题进行了研究,提出在对用户进行模糊c均值聚类时引入差分隐私保护思想的方法;在聚类过程中加入Laplace噪声,保护聚类中心点,产生带有隐私保护的聚类中心点和带有隐私保护的相似用户,达到保护隐私的目的。(3)针对模糊c均值聚类算法初始中心随机问题进行了研究,提出把密度思想和最大最小距离思想进行融合的方法,解决隶属度矩阵和聚类中心初始化随机的问题。达到有更高的准确率和更快的收敛速度的目的。(4)针对用户兴趣随时间迁移改变的问题进行了研究,提出改进的指数遗忘函数,用其对标签进行加权反应用户的短期兴趣变化;并引入时间窗口的概念,兼顾每个人的长期爱好进行评分预测;达到动态模拟用户的兴趣随着时间变化的目的。(5)使用上面的研究成果,从需求分析、架构设计、模块设计、数据库设计等多方面进行设计并实现电影推荐系统。从而将基于标签和隐私保护的聚类推荐方法应用到个性化电影推荐系统中。达到针对不同用户“私人定制,隐私安全”的推荐目标。