伴随互联网技术的不断进步和网络应用的普及深入,互联网已经全面步入大数据时代。在大数据背景下海量数据的应用为实现大众创业、万众创新提供了有力的支撑,然而与之相伴而来的是数据过载问题。广大互联网用户难以简单高效地找到自己需要的数据资源和信息服务。基于协同过滤的推荐算法是当前解决信息过载问题的主流技术手段,但传统的协同过滤推荐算法面临着评价数据矩阵稀疏性问题和系统新注册用户冷启动问题,从而一定程度上影响信息推荐系统的推荐结果准确性。对此,本文从以下两方面提出了改进方案:第一,提出了一种基于多维度用户特征偏好分析的相似度求解计算方法。通过对系统用户特征偏好进行细化研究,将原本单一化的系统用户偏好属性特征信息划分为多个维度上的用户偏好属性特征,通过多维度对比方式获取全面立体多角度的用户特征偏好信息,从而建立用户关联关系聚类。第二,提出一种多维度条件下基于对象特征分析的新型信息推荐算法模型。首先通过中文文本分析技术,从用户评论信息中的句子和词语中获取可以直接通过推荐系统进行自动处理的有效信息,将得到的特征信息进行归纳量化;接着通过多维度用户特征偏好分析方法,为系统目标用户推荐相似特征关系聚类集合;将分析获得的用户特征偏好和物品属性特征信息总结归纳,再结合利用传统的协同过滤推荐算法模型,完成系统用户对物品对象评价数据矩阵信息的填充,将商品对象属性评分结果与系统目标用户偏好属性特征情况最为接近的商品对象推荐给目标用户。通过实验证明,基于多维度用户征偏好分析的相似度计算方法求解得到的聚类集合相似度结果明显更为准确;在其基础之上构建的基于对象特征分析的个性化混合信息推荐算法模型,与传统的信息推荐算法相比,有效提高了推荐内容的准确性。通过本文提出的新型基于对象特征分析的个性化信息推荐模型改进了原有算法的不足之处,有效缓解了用户物品评价数据矩阵的稀疏性问题和新注册用户冷启动问题,为系统用户提供更为精准的个性化的推荐服务,可以方便用户准确找到其需要的数据资源和信息服务,一定程度上缓解了信息过载的问题,在今后的应用领域中有重要的实用价值。