推荐系统是一个帮助用户寻找发现所需信息的服务系统，让丰富的信息或者产品高度个性化的展示在用户面前，满足用户的各种需求，改进了用户体验;对企业来说也提高了购买转化率进而增加了利润。近些年随着网络的迅速发展，推荐系统逐渐渗透到生活的各个领域，典型的如电子商务等。推荐系统利用用户的各种属性信息、历史行为数据以及产品的特征数据等，分析预测用户的喜好，为用户产生个性化推荐结果。　　协同过滤推荐算法并不借助用户或者物品的属性信息，只通过分析用户的历史行为，从中找出用户和物品的相互关系，预测用户的喜好从而产生推荐。这个优点使其成为推荐系统中最流行的一类算法。邻居模型(kNN)、矩阵分解算法(MF)等在各个领域中有非常广泛的应用，其中邻居模型(kNN)是协同过滤算法中应用最为广泛的模型之一。　　在线交友是近些年新兴的推荐系统应用领域，主要目标是为用户推荐喜欢并且可能建立正向联系的异性。不同于传统的用户-物品推荐系统，物品是静态的，推荐的成功与否只取决于用户单方面的偏好;人与人之间的推荐难度更高，用户可以对收到的信息作出反馈，双方的喜好都需要被考虑，推荐的结果需要高度符合双方的喜好。　　在人与人推荐领域，迄今为止并没有成熟通用的协同过滤算法，相关研究者多数也是进行一些框架性的探讨。本文基于婚恋交友网站“世纪佳缘”收集到的用户行为数据，对人与人推荐系统进行了研究;在总结相关人员研究成果的基础上，扩展了邻居模型(kNN)，主要的贡献如下:　　提出了修正概率协同过滤算法(Modified Probabilistic Collaborative Filtering)。该方法放弃了传统的对称相似度的形式，采用了更加能反应人与人之间共性和特性的不对称相似度;同时充分考虑了用户间负向联系占绝大多数的统计规律，修正了传统的概率协同过滤算法中的相似度计算形式;最后以数学上求期望的形式预测用户评分，是一个更加符合现实应用情景的算法。计算结果表明与基本邻居模型(Basic kNN)和概率协同过滤(ProCF)相比，在多个指标上明显提高了Top-N推荐问题的预测精度。　　提出了混合算法。该方法结合邻居模型(kNN)推荐精度高、易于解释的优点和隐式因子模型(MF)能高效的填充评分矩阵元素的优点，试图利用两个单向选择模拟双向选择，最终使用双方用户对彼此的预测评分去衡量建立正向联系的可能性，并通过在线测评验证了其有效性。