“协同过滤算法”的改进及其优缺点：

   基于用户的协同过滤算法，利用用户-项评分矩阵，来预测用户评分，从而加以推荐。其基本思想是：首先为目标用户寻找兴趣相似的邻居用户，然后把邻居用户感兴趣的项目推荐给目标用户。

   缺点是随着系统规模越来越大，用户评分数据稀疏度越来越大，准确度大大降低；

   于是引入了基于项目评分预测的协同过滤推荐算法，通过计算项目间的相似性来预测未评分项目，从而增加了用户评分项目数量；但是，依据极其稀疏的评分矩阵计算出的项目间的相似性，其准确性不高，从而推荐的精确度也大打折扣。

   于是又提出了通过奇异值分解（SVD）减少项目空间的维数，使得用户在降维后项目空间上对每个项目均有评分。但是，降维会导致信息的丢失，而且降维效果与数据集密切相关，在项目空间维数很高的情况下，降维的效果无法保证。

   于是在基于存储和基于用户建模的基础上，有提出了一种平滑聚类的方法来克服稀疏性问题，他基于稀疏的用户评分矩阵，对用户进行聚类，同类用户间进行推荐。但由于用户之间个体的差异性，类别的多维性，聚类的标准难以把握等问题，会导致个性化推荐的精度降低。

   还有提出基于影响集的协同过滤推荐算法。理论可以克服稀疏性问题，其中影响集的选取至关重要，如何界定用户的最近邻和逆最近邻，即影响集的选取规则的把握程度，直接影响着推荐质量。

   下面是基于用户兴趣局部相似性的协同过滤推荐算法，仍是“协同过滤算法”的改进，仍存在着不足。

主要从项目本身的属性考虑，不同的项目，具有不同的属性，由于个体的差异，没有两个兴趣完全相同的人，但他们总会有某方面，或者几方面的兴趣相同点。本改进就是基于此。

步骤如下：

 1>.整理同目标用户a的具有相同兴趣的用户群S（a）,并记录共同感兴趣的项目集I

 2>.设置阈值s,对所有用户u：

    a）基于PCC计算相似度。

    b）基于资源属性矩阵和用户评分矩阵，计算项目i同项目目标I的整体相关度，如值小于s，则从S（a）中删除用户u，动态修改S（a）

  3>.设置阈值b，利用邻近用户集S（a），采用修正的基于用户协作过滤评分预测方法对大于b 和 小于b 的情况采用不同的推荐策略。