互联网为人们带来了海量数据,如何从大数据中快速获取需要的信息已经成为当前的研究热点之一。推荐算法作为有效解决信息过载问题的方法,已经被广泛运用于多个领域。本文通过不同的角度对推荐算法进行研究,旨在提高推荐算法的综合性能,解决冷启动问题。一方面以二部图网络结构为基础,加入时间因素,针对马太效应中的营销近视症问题提出基于物品综合流行性的推荐模型,提升了算法的综合性能;另一方面利用神经网络挖掘用户与物品的潜在联系。构建用户特征与兴趣的参数系统,利用BP神经网络求解优化。还通过引入特征信息扩展网络结构,构建特征图像,借助卷积神经网络进行分类。基于神经网络的推荐策略研究能够有效处理冷启动问题,提升算法性能。本文主要工作有:（1）设计时间权重衰减模型对时间进行合理量化。通过离散分箱的方式将时间分段,并根据数据增长形式赋予指数衰减型的权重值,模拟权重随时间的延长而衰减的过程。分箱处理方式在一定程度上避免了异常数据的影响。（2）提出基于物品综合流行性的实时推荐算法（ComPI）。在时间权重衰减模型的基础上考虑物品的发展规律,利用全概率模型框架设计能够量化物品综合流行度的模型,该模型能与多种基准推荐算法结合优化推荐结果。（3）分析数据增长特性与数据划分。本文对常见的推荐数据集的增长特点和数据集的划分方法进行分析,发现研究算法时应该更注重算法在指数型增长的数据集上的性能。在划分数据时不仅要考虑数据量,还要考虑时间逻辑。（4）提出基于BP神经网络的推荐模型（BP-Rec）解决用户冷启动问题。构建用户特征与用户兴趣分布的参数系统,利用BP神经网络模拟参数求解过程,挖掘两者之间的潜在关系。预测用户的兴趣分布,解决新用户的冷启动问题。（5）构建关系特征图像。将用户和物品的特征信息作为节点扩展二部图网络结构,利用特征节点描述用户和物品的连接关系,将连边关系转换为特征图像。（6）提出基于卷积神经网络的物品推荐模型（CNN-Rec）缓解冷启动问题。设计卷积神经网络对关系特征图像进行分类,进而预测用户对物品的选择。本文设计了多组对比实验,选用了具有不同增长特征的数据集和多个角度的评价指标,结果表明本文提出的模型具有良好的推荐效果,能够提升算法的综合表现,有效解决冷启动问题。