随着互联网信息呈现出爆发式增长,信息过载日益严重,人们使用传统方式越来越难以找到目标信息,推荐系统应运而生。尤其以协同过滤算法为代表的推荐系统深受关注,协同过滤算法因其基于现实世界中“人以类聚、物以群分”的特征通过用户评分信息从而为兴趣相近的用户产生个性化推荐服务。但是协同过滤算法受评分数据稀疏性和冷启动等问题限制,导致推荐精度不高。因此,本文针对协同过滤算法的瓶颈问题,主要做了以下工作。(1)提出一种基于用户和项目的混合协同过滤推荐算法。该算法融合了基于用户和基于项目的两种协同过滤算法,主要对计算用户间和项目间相似度的方法上做出改进,通过加入共同评分惩罚因子进而缓解在相似度计算时对共同评分数目不敏感的问题,进而减小相似度计算的误差。同时引入时间自适应权重函数来解决用户兴趣飘逸问题,并在公开电影数据集Movie Lens对该算法进行验证,实验结果表明,MAE值降低到0.71,评分预测的准确度较协同过滤算法提升了5.7%。(2)提出一种融合卷积神经网络和矩阵分解的个性化推荐算法。使用卷积神经网络学习用户和项目的特征,通过提取关于用户和项目的隐关系特征矩阵信息替换掉矩阵分解中的隐式特征矩阵信息,然后拟合预测的评分,从而很大程度上缓解了由于数据稀疏问题带来的推荐效果不佳,提升用户体验效果。同时在Movie Lens公开数据集对该算法进行仿真实验,实验结果表明本文所提出的改进推荐模型具有较好的推荐效果,其RSME降低到0.81。(3)论文基于上述工作,设计与开发了一个推荐系统原型,为用户提供一个电影个性化推荐平台,对于有效缓解信息过载和提升用户体验有较好的应用价值。