随着互联网的飞速发展,互联网的应用也在快速普及,并受到了公众的认可和赞同。同时,互联网也渗透到我们每个人的生活中,网上交易购物,也变得越来越流行。由于互联网信息的种类繁多,商品数量庞大,如何在众多商品中正确的选择商品和购买到自己需要的商品成为用户要面临的一个问题。为了帮助用户在互联网上更好地选择商品,推荐系统应运而生_。推荐系统是用来帮助用户选择商品和产生商品智能推荐的系统。其中最重要的推荐技术是协同过滤技术,协同过滤技术利用用户品味间的相似来产生推荐。　　 目前,协同过滤技术在研究和应用领域上均取得了很大成功,但还存在诸如稀疏性(sparsity)、冷启动(cold-start)、可扩展性(scalability)等制约其进一步发展的瓶颈问题。因此,需要对上述协同过滤瓶颈问题展开进一步研究。　　 在用户模型层面,论文分析了目前的协同过滤推荐中经典用户模型存在的缺陷,利用项目组合特征和人口统计信息构建了混合用户模型。混合用户模型浓缩了项目内容描述信息、用户人口统计信息和用户-项目评分矩阵,提高了用户模型的信息浓度,在一定程度上解决了稀疏性和冷开始问题。　　 在协同过滤算法层面,论文分析了当前电子商务个性化推荐系统中常用的协同过滤推荐算法存在的稀疏性、可扩展性、实时性和推荐准确度等问题,提出了基于混合用户模型的协同过滤推荐算法。在深入分析常见的推荐算法的基础上,将SVD模型与基于内存的K最近邻算法相结合(SVD-KNN)。在数据稀疏的情况下,该算法可以提高推荐系统的预测精确率。　　 采用MovieLens数据集对论文提出的改进算法进行了仿真实验。实验结果表明:基于混合用户模型的SVD协同过滤推荐算法在推荐的准确性、完整性、可扩展性等方面均优于实验对比算法。