互联网新技术的发展带动着新应用的出现,社交网络、电子商务就是典型的新型网络应用。这种新兴的应用的发展成熟又促进了新技术的诞生。随着信息量的增大,无论是电子商务还是社交网络都需要一种系统来将大量信息中的商业价值发掘出来。推荐系统就是这种技术。但是,推荐系统也面临着诸如冷启动、数据稀疏,计算量大,预测精度不准等问题。本文对于推荐系统的研究主要就是为解决这些问题提供一些新思路。关于数据稀疏问题的解决思路有很多,使用用户的基本信息,利用二部图的信息传递思想,使用缺省投票方式,还可以使用数据“平滑”技术解决稀疏问题。而冷启动问题是一种特殊的数据稀疏问题,除了上述方法,还可以使用混合算法解决此问题。为了解决数据量大,预测结果质量低的问题,本文认真研究了传统推荐算法的优缺点,找到其中可改进之处,结合统计思想、聚类思想和建模思想,针对标签系统和协同过滤推荐算法提出了三种改进策略。首先,本文研究的主要是标签推荐系统,但第一步仍然是先通过用户评分矩阵,求出用户对物品的偏好信息;通过使用TF-IDF的思想计算用户对标签的偏好矩阵以及标签和物品的关联矩阵,以此计算出用户对物品的喜好程度,从而完成推荐。其次,为了解决数据量大的问题,本文提出了使用谱聚类的方法来进行有效数据的过滤。在上述方法的基础上,使用聚类的思想,采用谱聚类的方法将用户分成若干类,在用户所属的类中进行数据的处理,大大减小了数据量的压力。最后,在标签的语义层面进一步挖掘有效信息,使用LDA模型对标签进行主题提取,然后结合本文提出的前两种算法,得到一种新的推荐思路。实验结果表明,和基本的协同过滤相比这三种算法在召回率,准确率上都有更好地表现。