随着互联网信息的快速增长,人们无法从大量信息中获取到满意的信息,从而导致信息超载的问题。个性化推荐算法成为解决信息超载的主要技术,目前国内外学者对推荐算法进行了相关研究,其中数据稀疏性问题、冷启动问题以及用户兴趣获取问题都是影响推荐效果的重要因素。针对上述问题,本文从基于用户兴趣和基于主题模型两个方面对推荐算法进行研究。本文主要研究内容如下:在基于用户兴趣推荐方面,针对相似度度量问题,提出一种混合用户兴趣相似度的协同过滤推荐算法,旨在发现与活跃用户兴趣相似的最近邻用户。该算法采用分段度量相似度的方法,不仅能全面分析用户评分行为产生的全局影响,而且能充分利用用户属性相似度和物品相似度来提高用户相似度的准确性。实验结果表明,与其它算法相比,本文提出的算法缓解了冷启动和数据稀疏性问题,并提高了预测的准确度以及推荐结果的质量在基于主题模型推荐方面,针对模型中融入时间和评分问题,提出一种改进主题模型的协同过滤推荐算法,来准确获取用户偏好。该算法通过拟合艾宾浩斯遗忘曲线和结合时间窗口生成时间函数,进而改变数据权重,发现用户兴趣变化规律,根据用户评分行为的反馈,计算特定兴趣下的物品评分分布概率,挖掘群体用户行为对活跃用户的影响。实验结果表明,改进后的推荐算法能更准确地获取用户兴趣,进而提高推荐性能。设计并实现了一个个性化电影推荐系统,根据用户在系统中的历史评分行为,采用线性加权的方式混合两种推荐算法生成最终结果,进而向用户进行推荐。系统测试验证了系统可以根据不同的用户进行个性化推荐,且具有易操作、性能良好的优点。