推荐系统是一种能帮助用户从大量信息中找到其所需产品或服务的信息过滤工具。协同过滤（Collaborative Filtering,简称CF）技术是推荐系统中的一种重要技术,它能为用户提供个性化推荐。然而,用户-项目评分矩阵具有稀疏性,大量评分缺失,这导致只有少数评分可用来预测未知评分。为了解决数据稀疏性问题,需要对现有的协同过滤技术进行研究并改进。在查阅相关的国内外文献的基础上,本文分析和总结了推荐系统的相关理论与技术,并展开了如下的研究工作:（1）针对传统CF推荐算法在数据稀疏情况下存在预测精度低、效果差的问题,提出了基于协同过滤的改进混合推荐模型。在计算用户或项目之间的相似度时,模型采用了余弦相似度和Pearson相关系数,它结合了基于用户的协同过滤、基于项目的协同过滤和线性回归模型,能对未知的用户和项目间的关系进行准确预测。通过实验将基于协同过滤的改进混合推荐模型与已有的RSVD、LDA等模型的预测性能进行了比较。结果表明,混合模型比其他模型的推荐准确度更高,计算量更小。（2）针对传统CF推荐算法在数据稀疏情况下存在缺少评分信息、覆盖率低等问题,提出了面向个性化推荐的混合多准则模型。模型使用了多准则评分、隐式相似度、相似传递性和全局信誉概念,可以更好地建立用户或项目之间的联系。它将基于多准则用户的CF和基于多准则项目的CF进行结合,在数据稀疏时采用切换混合策略,在基于用户和基于项目的模块之间切换,解决了基于CF的推荐系统中存在的数据稀疏问题,提高了预测精确度和覆盖率,在多种推荐领域均可应用。通过实验将混合多准则模型与基于用户和基于项目的单准则CF模型、基于用户和基于项目的多准则CF模型进行了对比。结果表明,在数据稀疏的情况下,本模型与基准CF推荐模型相比在预测精度和覆盖率方面具有明显的优势。