推荐系统作为用户和信息的连接纽带,发挥出了巨大的作用。协同过滤作为推荐算法中应用最为广泛、最为成功的算法之一。本文将研究重心放在协同过滤算法上,主要是解决协同过滤面临的两大问题:数据稀疏、推荐准确度低。提出了对传统的协同过滤算法的改进方法以及基于受限玻尔兹曼机的协同过滤算法的改进,主要完成以下工作:1、为了提高目前协同过滤算法的推荐准确度,在基于内存的协同过滤中提出了新的相似度计算方法以及考虑评分预测方法对模型的影响,即均方差(MSD)相似度计算和4种不同评分预测方法,并在实验中验证了该模型推荐准确度有一定提升。2、矩阵分解能够有效地解决数据稀疏的问题,因此在本文中分析传统的基于奇异值分解的协同过滤算法,还引入了基于交叉最小二乘的协同过滤(ALS)。并利用Spark分布式平台进行实验,考虑模型各参数对于模型效果的影响,以及算法的比较。3、将深度学习与推荐系统结合起来,分析了多种基于受限玻尔兹曼机的协同过滤算法,在此分析基础上,提出了改进的融合的实值RBM模型,借助python语言中的Tensorflow框架进行验证。实验结果表明,在一定程度上提高了预测精度。