二十一世纪以来,数据的爆炸式增长,使人们的生活充满了信息资源。但是,人们很难从这些消息中提取有效的信息。如何快速扩大资源快速准确的信息,为用户满足用户的个性化需求,逐渐成为众多研究人员和网络用户关注的热点问题。推荐系统是一种能够快速找到有效信息并准确发现用户兴趣的新兴技术,也使用户获得良好的用户体验。在本文中对个性化推荐系统中一些常用推荐算法进行了分析。通过分析项目属性的偏好以及属性偏好所占的权重,可以看出,不同的用户对项目属性的偏好量上有着明显的差异。通过对项目属性偏好进行统计分析,可以确定用户对项目属性的偏好,然后根据项目属性偏好特征统计提出了一种基于用户对项目属性偏好统计的协同过滤推荐算法(UPIACF)。在该算法研究的基础上,进行实验分析比较,并将此算法和传统的UCF算法的推荐结果进行对比。结果表明,UPIACF算法比传统的UCF算法在推荐的准确率、召回率、精确度等方面有一定改进。虽然UPIACF算法在一定比例上提高了推荐结果的准确度,但是该算法本身只考虑了用户的评分数据和项目的偏好特征。比如说对于用户观看过、已经评分过的电影来说,它的项目属性包含爱情、喜剧、科幻等,但是并没有考虑用户的偏好特征属性,比如用户的年龄、性别、爱好、职业等。因而,为了进一步提高推荐的准确度、召回率等,在研究中本论文从用户偏好特征和项目偏好特征等多重属性互补角度出发,准备着手将具有互补特性的用户和项目偏好特征的多重属性应用到个性化混合推荐算法中,因此本文打算把基于用户属性的推荐算法(UAA)和基于用户对项目特征属性偏好的协同过滤算法(UPIACF)进行混合形成个性化混合推荐算法UPIACF_UAA。本文不仅对个性化混合算法进行研究,还对混合算法进行了实验验证,最后对本文提出的混合算法的实验结果与基于用户偏好特征属性的算法(UAA)和传统基于用户的协同过滤算法(UCF)的混合算法进行了比较,最后的实验结论证明了本文提出的改进混合方法能够得到比UCF_UAA混合算法更为理想的结果。