互联网提供的信息广泛而复杂,限于普通用户的知识储备及认知能力,极易造成用户无法有效地获取、理解与使用信息.推荐系统以海量数据挖掘技术作为基础,不需要用户提出明确的需求,通过分析用户在网络上的历史行为,对用户的兴趣建模,主动为用户推荐能够满足他们需求的信息.通常将用户各种形式的需求定义为商品,用评分表示用户对商品的兴趣,系统根据用户评分高低决定是否向其推荐某种商品.如何通过已知的用户历史评分记录预测未知的用户评分,称为评分预测问题,它是推荐系统研究的核心.首先,本文对协同过滤算法、基于内容的推荐算法、模型组合算法的提出与发展进行详细阐述,并对回归算法在推荐系统中发挥的重要作用进行总结.其次,本文对线性回归、k近邻等传统回归算法及NCLUS等网络回归算法的原理和实现进行了深入讨论.第三,本文提出迭代加权回归算法.该算法采用迭代分类算法的集体学习框架,每步迭代中将待预测实例逐个输入局部回归模型更新标签值,直至达到既定目标.局部回归模型是由待预测实例的k近邻根据加权回归算法学习而来.此外,对名称型属性的处理方式、属性选择方法,借鉴了线性回归算法的思想.第四,本文利用用户评分数据集发掘商品与商品之间的自相关性,将商品看作数据网络中的节点,对节点之间的距离进行重新定义,进而将评分预测问题转化为网络回归问题.最后,将迭代加权回归算法应用于评分预测问题.实验分为两部分,第一部分实验在空间网络数据集合和社会网络数据集合上执行,通过与传统回归算法及NCLUS算法进行对比,验证了迭代加权回归算法能有效求解网络回归问题；第二部分实验在电影评分数据集合MovieLens上执行,通过与基于商品邻域的协同过滤算法进行对比,验证了迭代加权回归算法能有效应用于评分预测问题,并且预测性能比较优越.