大数据时代，互联网信息和资源严重过载，电子商务网站的商品数量和用户数量每天都在增长，人们在商品选择的过程中花费的时间和精力也越来越多。搜索引擎和推荐技术应运而生，推荐系统以其能够提供个性化服务和能够精确匹配用户需求成为当下研究的热点。从20世纪90年代推荐系统诞生以来，协同过滤推荐算法就受到了众多研究学者的青睐，而且也已经在实际应用中发挥作用，比如亚马逊网站就是利用协同过滤技术进行推荐的，而且有35%的销售额和推荐技术有关。
　　随着网络信息越来越复杂，协同过滤技术的不足也显露了出来。本文从用户兴趣的角度分析用户行为，将用户的行为信息融入到协同过滤算法的推荐过程中，首先对用户兴趣进行分类和描述，将用户兴趣分为用户客观兴趣、用户主观兴趣和用户综合兴趣；然后分别基于用户客观兴趣模型和用户主观兴趣模型改进传统的协同过滤的算法：1)提出了基于用户客观兴趣改进的协同过滤推荐算法——OICF算法，采用模糊C均值聚类技术得到用户客观兴趣度，填充评分矩阵来改进基于项目的协同过滤算法，缓解了由于数据稀疏性带来的推荐不准确的问题；2)提出了基于用户主观兴趣改进的协同过滤推荐算法——SICF算法，通过统计的方法，构建基于评级的主观兴趣度矩阵，代替评分矩阵计算相似度，改进基于用户的协同过滤算法，改善由于用户数量和项目数量的增长，评分矩阵越来越大给计算性能造成影响的问题；3)采用两阶段的加权综合方法对改进后的算法进行组合，得到了基于用户综合兴趣改进的协同过滤推荐算法——UICF算法，推荐准确度得到一定程度的提升，并且每种改进效果均在movielens100k数据集上进行验证；最后根据CRISP-DM过程模型的基本流程用Book-crossing数据集对改进算法进行了进一步的验证。