随着网络时代的到来，互联网技术的飞速发展逐渐打破了人们传统的信息资源运转模式。网络信息发布简便、快速、高效，使得信息资源的总量往往呈现爆炸式的增长，当用户浏览信息时往往会淹没在信息海洋中而找不到有价值的信息，出现信息过载现象。在这种背景下，个性化推荐系统应运而生，然而当前的个性化推荐系统存在推荐策略单一、推荐自动化低、缺乏个性化等问题。因此如何设计有效的个性化推荐系统成为当前个性化推荐领域的研究热点，本文围绕如何提高用户对推荐满意度的问题进行深入研究，主要工作有：1)针对目前主流推荐算法普遍存在的稀疏性、冷启动和准确性的问题，提出了一种基于内容和场景概率的组合推荐算法。首先，通过引入用户点击记录改进Slope one算法的冷启动问题；其次，引入场景概率来计算相似度，实时增量更新相似度矩阵；最后，通过引入内容信息，结合基于内容和基于评价矩阵的项目相似度计算，提升矩阵较稀疏时候的推荐效率；结果表明，该组合算法能够较好地解决稀疏性问题，实时反映用户兴趣变化。2)提出了适用于个性化推荐系统的用户兴趣模型和数据项模型。用户兴趣模型基于人脑记忆规律建立，用量化性的基于记忆力规律的用户模型模拟用户兴趣的变化过程，并且用量的方式把用户的兴趣表示出来。数据项建模是指将一个数据项转化为系统内部表示的过程，如直接将项目数据项表示为分词得到的向量，由此产生数据项相似度比较的时间代价很高而且可能丢失部分有用信息；本文利用FLD(Fisher LinearDiscriminant)算法对项目特征空间进行降维，用产生的结果建立项目主题模型，较好的解决了过度拟合现象。3)基于组合推荐算法、用户兴趣模型和数据项模型实现了一个针对电子商务网站图书频道的个性化推荐系统原型ECRS。系统采用了一个灵活的推荐引擎，其中的推荐策略框架能组合协调各种推荐算法，针对不同推荐场景选择合适的算法执行推荐任务。其中的数据入库接口、推荐接口和评价接口使框架能很好的适应不同的应用环境。