web2.0带领互联网走进了一个新时代,用户是互联网的核心,生产数据的同时也在消费数据。互联网的普及和互联网用户数量的迅猛增长使得互联网上的信息呈现爆炸式的增长,带来了“信息过载”的问题。目前解决信息过载问题有两种办法:信息检索技术和信息过滤技术。基于信息检索技术的搜索引擎已经获得了很大的成功。但是搜索引擎依赖于用户对信息描述的准确度而导致搜索结果质量不高,且不能主动推送给用户所需的信息。基于信息过滤的推荐系统为这个问题提供了解决方案。推荐系统基于用户的历史行为数据,建立相关模型挖掘用户需求和兴趣,进而筛选出对用户有用的信息。协同过滤是推荐系统中应用最广泛的算法之一。然而协同过滤也面临着一系列的挑战,比如推荐准确度,数据稀疏性等问题。本文对协同过滤进行了研究。并且对基于模型的算法中基于矩阵分解和基于受限玻尔兹曼机的算法进行改进。主要工作体现在以下三个方面:第一,针对基于邻居的协同过滤算法中的两个关键因素——邻居数量和相似度算法的选择对精确度的影响展开研究。并对比了基于内存的几种协同过滤算法在Movielens数据集上的推荐准确度差异。第二,在基于矩阵分解的协同过滤中分别融入了用户评分的时间信息,用户特征信息与项目特征信息,融入了时间上下文相关的用户与项目偏置、用户注册信息偏置、项目特征信息偏置等,提出了一种改进算法:FeatureTRSVD算法。第三,对基于受限玻尔兹曼机的协同过滤算法进行改进,将项目当作单独的受限玻尔兹曼机进行训练,采用带mini-batch的批量梯度下降算法进行参数学习,提出并实现了基于项目的受限玻尔兹曼机协同过滤算法。实验结果表明,该方法的系统性能显著优于基于用户的受限玻尔兹曼机协同过滤,其结果也稍微优于基于SVD的协同过滤算法。