互联网科技的飞速发展正改变着整个世界,各行各业随着互联网+的模式快速转变。科技的发展导致信息膨胀愈演愈烈,面对海量的数据人们越来越难以获取自己想要的知识。为解决信息过载问题,许多学者提出利用推荐系统给人们提供个性化的服务,挖掘出人们想要的资源。个性化的推荐服务将会根据用户的偏好行为给出更加符合用户兴趣的推荐列表。对于每一种个性化的推荐算法都会存在优缺点,在这个多元信息化时代,不是一种推荐算法就可以解决所有问题。个性化推荐算法的广泛应用推动着学者们对算法的理论研究,目前算法面临的主要问题有数据稀疏性,冷启动等。而稀疏性问题也是影响推荐算法精度主要因素,针对这一问题,专家学者通过各种方式进行算法改进,提升算法的推荐质量。本文的主要研究目的是提升个性化推荐算法预测评分的准确性和推荐列表的质量。针对目前推荐领域面临数据稀疏性问题,通过对基于用户的协同过滤及隐语义模型进行了深入分析,对比两者优缺点,结合经济学中的基尼系数对用户兴趣分布模式的度量,提出了兴趣分布混合推荐模型。模型首先对用户的行为数据及项目的分类信息进行预处理,然后根据用户兴趣分布的基尼系数来划分用户群体来缩小寻找最近邻的范围,利用隐语义模型的数据稀疏不敏感性,进行预填充用户评分数据项,从而搜索更加准确的邻居用户,提升个性化推荐算法的预测评分,改善算法的推荐质量。最后本文针对所提出的混合模型设计了详细的对比实验,实验平台采用了基于Mahout算法框架,java语言进行编程实现混合模型,与传统的单一推荐算法进行对比分析,分别在推荐的预测评分与推荐列表的质量两个推荐阶段完成了实验对比,实验结果证明了该混合模型的有效性。