随着Internet和信息技术的飞速发展,个性化推荐作为一种崭新的智能信息服务方式,根据用户提出的明确要求,或通过对用户个性、习惯、偏好的分析,准确地向用户提供感兴趣的信息和服务,从而有效地解决了“信息过载”和“信息迷失”带来的种种问题,成为许多学者关注和研究的热点。个性化推荐的具体实现方法有很多,其中协同过滤推荐算法是目前运用的最为广泛也是比较有效的一种,主要包括User-based和Item-based推荐算法。然而,随着系统规模的不断扩大,用户评分数据极端稀疏等问题使其推荐质量严重下降。因此,必须对传统的协同过滤推荐算法加以改进。本文所做的主要工作和创新点如下:(1)对个性化推荐系统进行了深入研究,包括个性化推荐系统的应用现状、输入与输出、主要分类和推荐系统实现的具体方法,如:基于规则、基于内容、知识工程、数据挖掘和协同过滤方法。(2)对协同过滤推荐算法进行研究分析,包括基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。并且指出传统协同过滤推荐算法所存在的不足,主要包括:用户评分数据的稀疏性问题;推荐算法的实时性问题;推荐系统对于新用户的“冷开始”问题。(3)提出了一种协同过滤推荐算法的改进方法,将User-based和Item-based协同过滤推荐算法的思想相结合,通过形成项目相似集,由用户对相似项目的评分来智能地预测用户对未评分项的评分,填充用户评分矩阵,有效解决了用户评分数据稀疏情况下传统相似性度算法所存在的不足。另外,在形成用户最近邻居时,引入高评分阈值,重点考虑高评分项目对推荐产生的影响,更能代表目标用户的实际兴趣爱好,从而显著提高个性化协同过滤推荐算法的推荐精度。