随着大数据时代的到来,信息过载问题愈发突出,推荐系统的作用越发重要、应用越发广泛,因此进一步推动了推荐技术的研究和发展。推荐系统能够帮助用户从海量的网络资源中找到感兴趣的信息,然后为用户提供专属的个性化服务,从而有效地解决信息过载问题。目前,推荐系统在电子商务领域应用广泛,由于用户不断地提高对项目和服务的要求,因此推荐系统正面临着推荐结果准确率的问题。本文以面向排序的协同过滤推荐算法的准确率为研究目标,考虑实际中的多种情况,分别提出了基于用户项目特征的列表协同过滤算法、基于时间的列表协同过滤算法和基于用户属性的列表协同过滤算法。针对用户项目特征,提出了构建用户的项目特征信息,计算基于概率模型的用户项目特征的相似度,用户的相似度表达为用户项目特征相似度和用户评分相似度的加权融合;针对时间特性,提出了利用Logistic方程的衰减特性,在top-k排列概率的计算中加入用户对项目兴趣爱好的时间衰减因子;针对用户属性特征,提出了利用用户属性相似度的加权权重,在用户相似度计算中加入用户属性因素。特征范畴的推荐是为了提高推荐的准确性,尽可能地减少稀疏性对推荐系统造成的影响。最后在MovieLens数据集上对改进的算法进行了大量实验,通过与其他算法的对比,实验结果表明改进的列表协同过滤算法有效地提高了推荐结果的准确性。