信息是互联网资源不可或缺的一部分。随着互联网信息的爆炸式增长和信息种类纷繁复杂的变化,让用户从中选择出对自己真正有意义的信息也变得越来越困难。为了提高用户在网站中体验的满意度,以及提升网站的经济效益和平台用户的留存率,个性化推荐系统作为解决信息超载问题的工具和技术方法随之诞生。不同于其他经典的信息系统的工具和技术(如搜索引擎),推荐系统采用的是积极主动的“推送”方式,将相关信息呈现在对其真正感兴趣的用户面前,而不需要用户提供明确的需求。目前,推荐系统被大量应用于新闻、影视、电商等在线平台,但同时也存在着诸如数据稀疏问题、冷启动问题等。论文通过对当前推荐技术的深入分析,并在前人大量的研究工作基础之上,针对传统的推荐方法主要考虑用户-物品的评分信息,忽略了项目间的偏好影响力导致推荐质量不佳的问题,提出了一种基于偏好关系隐含相似度协同过滤推荐方法。首先,根据用户属性特征计算用户兴趣距离,利用k-medoids算法划分用户组。其次,比较项目在不同用户组中的偏好程度,形式化定义了项目间基于偏好关系的隐含相似度,而后挖掘出项目间偏好影响力并将其引入到概率矩阵分解推荐方法中,以提高推荐系统的整体质量。实验结果表明该算法有效地提升了推荐系统的精度。针对当前协同过滤推荐方法中,因数据稀疏导致相似度计算不准确和冷启动问题,论文通过分析标签信息的可用性,引入物品的标签相似度,与利用评分信息计算的评分相似度进行了融合,给出了一种新的相似度计算方案,并提出了融合标签信息的协同过滤推荐算法。通过新的相似度计算方法选择到了当前物品较为准确的邻居集合,根据历史行为记录预测目标用户对该物品的兴趣偏好,最后生成更加准确的推荐。实验结果表明,该方法有效地利用了物品的附加信息,丰富了相似度计算的数据源,提高了相似度计算的准确度,达到了个性化推荐的要求。在以上理论研究的基础之上,论文在工程方面开发并实现了基于移动平台的主题推荐系统原型——TSRS。分析讨论了该系统整体设计方案、并给出了开发环境以及最终的效果展示。