随着网络的普及和信息技术的日新月异,信息膨胀与冗余给人们的社会活动和商务活动带来了信息选择的困惑,因此为每个用户提供快捷准确,满足个人实际需要的个性化信息服务成为当前的应用和研究热点。个性化信息服务包括个性化信息搜索服务、个性化信息推荐服务和个性化信息代理服务等。协同过滤算法是其中应用最为广泛的个性化推荐技术。但是,网上信息的数量和种类的急速增长,协同过滤推荐算法面临诸多挑战:推荐质量、可扩展性、数据稀疏性、冷启动问题等等。协同过滤需要建立在拥有大量的用户数据的基础上。虽然在不同的应用中,数据会有很大的不同,但当前提供个性化推荐服务的系统大都保存了用户基本的背景信息。这驱使我们考虑利用已有的用户信息来对传统的协同过滤方法进行改进。因此,本文提出一种改进算法——结合用户背景信息的协同过滤推荐算法。它首先根据项目的属性相似度对用户—项评分矩阵中的零值进行预测和填充,然后再基于用户的背景信息计算用户间的相似度,进行协同过滤。这样不仅提高了用户相似性计算的准确度,而且提高了推荐精度和用户最终预测评分的准确性。本文的实验采用MovieLens数据集,并与传统的协同过滤算法和基于项目评分预测的协同更多过滤推荐算法的MAE结果相比较,来验证本文所提出的算法。实验结果表明,本文提出方法的可行、正确、有效,能够有效解决数据稀疏问题。