随着互联网的普及和电子商务的迅速发展,互联网中的各种信息量爆炸式增长,用户每天都被大量无关信息所包围,无法准确快速的获取到自己想要的信息,因此各种各样的个性化推荐系统应运而生。个性化推荐系统旨在为用户排除大量无关信息,向用户提供定制的个性化内容。对于不同场景的推荐系统,通常使用不同的推荐算法,其中最常用的就是基于内容推荐和协同过滤推荐。基于内容推荐和协同过滤推荐都存在自己的不足,例如冷启动问题、数据稀疏性问题、可扩展性问题以及推荐效率低下等。为了解决这些问题,提高推荐质量,众多研究者参与其中,基于不同的场景提出了很多解决思路和方案。本文对基于内容和协同过滤的混合推荐方式以及如何解决数据稀疏性、推荐效率等问题行了研究。另外,本文认为用户的视觉信息对于推荐系统的研究有着十分积极的作用,因此本文对用户视觉信息在推荐系统中应用的可能性进行了探索。本文的主要内容及贡献如下:(1)绝大多数推荐系统都是基于用户静态配置数据特征或者动态交互数据特征来计算用户兴趣模型,本文尝试使用多个维度的数据来进行建模。除此之外,本文使用了图片视觉特征这一常被研究者所忽略的重要数据特征,来挖掘用户的潜在兴趣偏好。(2)本文根据基于内容的建模方式的优点,提出一种用户对多维特征的兴趣度量的计算方式,解决了数据稀疏性,以及推荐效率等问题。这种计算方式既能适应极度稀疏的数据集,也能适用于较大型的数据集。(3)本文把基于内容的用户建模方式和基于协同过滤的推荐方式结合起来,提出一种基于多维特征的混合推荐模型,该种推荐模型适用于各种不同的基于用户评分的推荐系统场合,提高了推荐模型的适配性、可扩展性等特性。(4)本文将提出的推荐模型在真实的Movie Lens数据集上进行了多组对比实验,实验结果表明本文提出的推荐方式相比较于传统方法有着更好的推荐效果和计算效率。无论是在比较稀疏的数据集上,还是较大型的数据集上,都能够进行比较良好的工作。