个性化推荐技术是一种通过对用户信息进行数据分析、数据挖掘，运用相似度算法计算出用户感兴趣的物品，从而达到推荐效果的一门新兴技术。该技术己经在电子商务、Web检索、数字图书馆等各个领域广泛应用。一个好的个性化推荐系统必须能够基于用户之前的口味和喜好提供相关的精确推荐，而且这种口味和喜欢的收集必须尽量少的需要用户劳动。推荐的结果必须能够实时计算，这样才能够在用户离开网站之前获得推荐的内容，并且及时的对推荐结果作出反馈。实时性也是推荐系统与通常的数据挖掘技术显著不同的一个特点。本文围绕着个性化推荐技术的核心部分——个体间的相似度算法，进行研究分析，并最终设计和实现可以投入实际应用的推荐系统。因为，个体间的相似度算法是推荐技术的首要问题，也是最为关键的地方。本文将从相似度算法在推荐技术中的应用原理、不同算法的环境需求以及对性能的比较、最终算法的产生及评估这几方面进行阐述，并在文中对最终的推荐系统的整体流程和几个核心模块进行论述分析。最后，对设计和实现中出现的一些问题进行讨论，从算法的角度对程序进行优化，对系统的性能进行评估。最后，本文对实际应用效果进行了分析评估。推荐系统的数据准备、分析、挖掘阶段的速度比原有的推荐系统的速度有着显著提高；而在效果方面，应用本系统进行推荐，其准确性更高。