信息过载代表存在大量的冗余信息,信息数据量过于庞大则不易被系统处理和使用。怎么从大批冗余的数据中主动定位和为用户准确反馈所需数据是推荐算法的主要痛点。本文的主要研究内容分为以下三个部分。第一部分,针对数据稀疏性问题,设计了一种新的相似度计算方法来处理传统协同过滤方法（CF）准确度低的问题。皮尔逊相关系数和余弦相似度作为应用最广泛的方法,仅通过用户之间对项目的共同评分项来发现用户间的相似性,因此受此局限性,这些方法并没有处理评分稀疏性的能力。因此,本文设计了一个基于全体用户共同兴趣偏好的相似度度量方法来处理稀疏性问题,该方法的创新之处就是针对与用户有强相关性的项目类别标签进行分析,挖掘在评分维度上完全不相关的用户在兴趣偏好维度所存在的相似性关系,缓解评分数据稀疏带来的问题,进而提高推荐准确度。此外,在计算一对用户之间的相似度的步骤中,为了确定正确的邻居数量问题,该方案还考虑了公平性和项目共评比例两个因素。实验表明,在各项指标上均有提升。第二部分,在改进相似度的基础上结合传统推荐算法进行深入研究,设计了一种将用户偏好标签和时间维度结合考虑的算法。算法综合用户评分和用户浏览的项目类别标签信息,计算出用户对不同类别的偏好值。为了进一步提高推荐的精确度,将时间因素与基于记忆的遗忘曲线关联起来作为权重函数引入用户类别偏好的计算。在用户评分维度的基础上,结合用户偏好维度来计算最终用户相似度。通过对比实验表明,本方法相较于传统方法减小了推荐误差,提高了推荐质量。第三部分,通过工程语言搭建了一个电影推荐系统,并展示了该系统的功能和价值。