互联网的飞速发展把人们带入到了一个信息异常丰富的时代，每天都会有大量的信息产生，信息过载已成为了一个严重的问题。面对如此海量的信息，用户很难快速找到自己感兴趣的信息，而商家也很难将自己的商品呈现在对它感兴趣的用户面前，推荐系统就在这样的背景下产生了。推荐系统作为一种联系用户和信息的桥梁，它通过分析用户的历史行为数据，来给用户建立兴趣模型，从而帮助用户发现其可能感兴趣的信息，这不仅为用户带来了便利，同时还给商家带来了一定的营收，实现了信息消费者与信息生产者的共赢。　　为了给用户提供更好的个性化推荐服务，本文对推荐系统中的相似度计算模型和隐语义模型进行了研究，并将其应用到了老人健康服务视频推荐网站中。本论文的主要研究内容包括：　　1．本文以余弦相似度计算模型为基础，针对传统的相似度计算模型中只利用用户历史评分数据来表征用户偏好而存在的不准确性问题，提出了一种融合项目特征和用户偏好的相似度计算模型。新的相似度计算模型综合考虑了用户的历史评分数据、用户活跃度、项目特征和项目间共同评分的用户数量对推荐质量的影响，最后将新模型用于基于项目的协同过滤算法中给用户做推荐。　　2．隐语义模型虽然在单一算法中的推荐精度比较高，扩展性也比较好，但它并没有考虑其他因素对推荐质量的影响，也不具有一定的可解释性。本文以BiasSVD模型为基准模型，对其进行改进，将项目特征信息和用户个人信息加入到该模型中，提出了一种改进的隐语义模型。该模型通过最优化理论来求解指定的参数，以便给用户提供个性化的推荐服务。　　3．在MovieLens公开数据集上，对以上两种改进算法进行实验验证，并分别与改进前的算法进行对比分析。实验结果证明了改进后的两种算法的性能要优于传统的推荐算法。　　4．为解决“嵌牛乐居”社区中用户寻找感兴趣健康视频困难的问题，本文设计了一个健康服务视频网站，并将改进后的两种算法应用到该网站中。最后通过用户满意度调查的方式验证了该系统确实能帮助用户发现感兴趣的视频。