随着信息技术的发展,人们越来越多使用互联网获取新闻,购物,观看影片等。伴随网络中的数据量急速增大,推荐系统成为了解决信息过载的重要方法。与此同时,“个人数据管理平台”抓取了用户在各个平台上的信息,拥有海量数据,如何利用这些数据对用户精准推荐也恰好是推荐系统的研究领域。目前,最为广泛应用的推荐算法是协同过滤算法。然而,该算法也面临诸多问题,如相似度模型较为朴素、预测过程未考虑用户偏好模型以及当项目增加时,有潜在的性能问题。基于以上的问题,本文对相似度模型、用户偏好模型和拓展性问题进行了研究,提出了一种改进的协同过滤推荐算法,取得了如下的主要研究成果:(1)在相似度度量问题上,提出了一种新的度量模型。该模型受NLP领域中的词嵌入思想的启发,分别通过将项目的共现信息与项目的简介信息分别映射到低维的向量空间中,得到关于项目的两种向量表示方法。最后将两种表示结合起来,按权重计算相似度。在项目共现的嵌入中,提出了f-item2vec模型,该模型引入了项目评分因子,进而增大高分项目的相似度;针对项目简介信息,先分词,然后使用doc2vec的方法训练项目的向量。与现有相似度模型相比,本文提出的相似度模型不仅能捕捉到评分特征,还能捕捉共现特征和内容特征,得到的相似度结果更准确。(2)在预测评分中,引入了用户的偏好模型。本文提出了基于长短期兴趣的用户偏好模型。该模型将用户的偏好分为短期和长期两部分,分别计算短期兴趣和长期兴趣权重,最后融合生成偏好权重。在引入用户偏好模型后,当使用用户的历史数据预测当前评分时,与当前预测项目同类的项目所占的比重更大,预测结果效果也比传统方法更好。(3)提出了基于项目聚类的推荐方法解决潜在的性能问题。具体的,通过相似度模型得到项目向量后,运用聚类算法对项目进行聚类,并在预测评分时载入与待预测项目在统一聚类中的项目,在此聚类集合中找到最近邻并预测评分。该方法避免了在寻找最近邻居时读入全体项目数据,节省了时间和内存开销。