个性化推荐系统作为互联网时代解决信息过载问题的有效手段,通过信息过滤使用户获取有效信息。目前个性化推荐系统在实际应用中的效果并不尽如人意,遇到的问题和挑战很多,尤其是在实际用户数据的处理上,存在算法实时性不佳、数据稀疏影响推荐精度等问题。本文在豆瓣网络数据上对传统的协同过滤推荐算法进行改进,通过网络结构的节点度值、有向网络理论分别考虑最近邻居策略和有向相似度方向的作用,对用户在图书、电影和音乐领域收藏列表进行个性化推荐。推荐的结果在准确度、多样性和新奇性三种被广泛使用在衡量推荐算法效果的指标上进行比较和分析。结果表明,相比传统协同过滤推荐算法,两种改进算法均能够保证推荐结果的多样性和新奇性,在实际应用时可以保证用户的满意体验,同时最近邻算法可有效降低算法复杂度,而有向相似度算法则具有更高的推荐准确度。在应对信息过载问题时,作为对搜索引擎很好的补充,个性化推荐系统受到了国内外研究人员的广泛关注,本文通过豆瓣网络数据对协同过滤算法进行分析改进和比较研究,发现了一些基于社交网络数据内容和网络结构的新现象,为以后算法研究提供了社交网络上的实验数据。将来这方面的研究可以通过考虑跨条目类型推荐以及好友因素、时间因素对用户兴趣口味的影响进行进一步扩展。