随着信息技术的迅速发展以及互联网的高度普及，互联网已经成为人们生活中不可或缺的重要组成部分。作为一种新型的商务模式，电子商务正改变着人们的生活习惯。随着电子商务网站规模的不断扩大，如何在海量信息中帮助用户快速且准确地找到感兴趣的服务和物品，已经成为当今的一个热门研究方向。在这种背景下，个性化推荐系统应运而生。个性化推荐系统通过运用统计分析和数据挖掘等技术，利用用户历史的互联网行为记录挖掘出用户潜在的兴趣特征以及当前的需求，最终向用户推荐其可能感兴趣的服务和物品。基于协同过滤的推荐技术是目前个性化推荐领域的研究热点。该技术根据用户显式或隐式的评分记录，选择合适的相似性度量方法来计算用户或物品的相似度，选取相似度较高的用户（或物品）来构建用户（或物品）最近邻集，最后将最近邻集中的用户喜欢的且目标用户没有购买的物品推荐给目标用户。因此，最近邻集的构建直接关系到推荐结果的准确度。本文经过深入研究传统的协同过滤推荐技术存在的问题，提出了两种改进的算法。本文的主要工作有以下几个方面：(1)深入分析传统相似性度量方法存在的不足，并且对云模型理论进行了深入研究，引入了云模型的思想，采用了结合云模型的相似性度量方法。(2)提出了结合云模型和项目评分预测的推荐算法，这种改进的算法对解决评分矩阵极端稀疏性问题有较好的效果，并且可以克服传统的相似性度量方法存在的缺陷，从而导致推荐的准确度有明显的提高。通过在公开的数据集MovieLens上进行对比实验，验证了改进算法的优势。(3)提出了结合用户邻域模型与矩阵分解的推荐算法，该算法通过构建用户档案的邻域模型以提高对新用户推荐的准确性，利用随机梯度下降法对评分矩阵进行奇异值分解，可以有效地解决评分矩阵稀疏性的问题。通过在MovieLens数据集上进行对比实验，验证了该算法的有效性。