在当今互联网时代，信息的数量在不断呈现几何式的增长。用户已经不需要担心信息的匮乏，而转向担心如何有效获取信息。搜索引擎作为一支重要力量，极大的提高了用户在海量数据获取目标数据的能力。但是搜索引擎需要用户自行构造关键词，在获取信息的扩展性和新颖性上还有很大的局限。个性化推荐系统正是瞄准这一问题，利用数据挖掘等相关技术，分析用户行为，发现信息关联，主动向用户推送可能感兴趣的内容。个性化推荐技术目前在电子商务、社交网站等领域有着非常广泛的应用。　　 本文深入研究了个性化推荐领域中常用的两种方法，即传统的协同过滤方法，以及在最近个性化推荐领域的大赛中普通采用的SVD矩阵分解方法。以常用的电影推荐为载体，在两种基本方法的基础上，深入挖掘数据集特点，提出了加入全局偏置和时间信息的新的预测和计算模型，并尝试将SVD计算过程的中间产物用于传统的协同过滤模型，以提高预测精度。实验结果表明，加入全局偏置和时间信息后，两种方法预测精度都有一定提升；同时，利用SVD方法能够发现隐含特征的特性，在传统协同过滤方法中融入SVD方法的中间结果后，预测精度也有提升。