如何在急速增长的海量数据中高效地寻找所需信息是一个影响互联网发展的重要问题。为解决这个问题,除了传统的门户网站分类机制、搜索引擎的条件检索机制,基于推荐的机制日益受到重视。现有的推荐方法虽然取得了一定的成功,但仍然存在一些不足。因此,对推荐方法的继续深入研究在理论和现实方面都有一定的意义。考虑到待推荐物品是推荐系统中基本而关键的成分,首先讨论了物品的特点,发现推荐系统中的物品与自然语言处理中的字词具有较高的相似性,提出了利用自然语言处理中的word2vec模型构建人工神经元网络对待推荐物品进行特征提取以获取物品的特征向量的方法。分析了推荐系统中用户的特点,并基于用户和物品的互动是推荐的重要基础这一事实,结合物品的特征向量,提出了将用户评价过的物品特征向量的加权和作为用户的特征向量的方法,在此基础上,进一步提出了三种扩展思路,给出了相应的用户特征提取方法,在不要求用户主动提供信息的前提下,试图从多个方面刻画用户的特征。基于所提物品和用户特征提取方法,与已有的推荐方法进行融合,提出了一种改良的推荐方法。在选定的公开数据集上,与目前主流的推荐方法进行了对比实验,同时也对所提方法进行了时间复杂度的实验,结果表明所提方法具有一定的优越性和实用性。