如今的用户处在一个信息大爆炸时代,所有的用户面对着大量的信息,从中选取与自己联系密切的相关信息就显得非常困难了。而平台想要为用户提供用户感兴趣的信息也变得更加棘手。电子商务平台、社区团购平台特别是视频平台,面对日益增长的用户以及与之相关的数据,为了提高平台的效率需要从中挖取有效信息,这对针对用户的个性化推荐提出了很高的要求。各视频平台都希望能够实时把握每一个用户的动态信息,实施更加精准的个性化推荐。个性化推荐不仅能够提高平台的效率,也能够为用户带来极致的体验。由于传统的协同过滤算法评价体系中没有考虑到不同用户存在评分的差异,所以在准确性、精确性、差异性等方面仍然需要进一步的提高。本文主要研究内容主要有三点,分别为推荐算法中数据集比例如何划分、改进传统相似度计算方法、将神经网络与基于项目的推荐算法、基于SVD的推荐算法进行融合。分别从数据集的处理、相似度的改进、融合两种不同推荐算法的这三个角度来开展本文对基于用户兴趣的推荐算法的研究。详细研究点如下:（1）在基于协同过滤的推荐算法中,会将数据集划分为测试集与训练集。而数据集划分的比例对于推荐算法的效率以及准确度都会产生一定的影响,在第三章中,就三种不同比例下对基于协同过滤的推荐算法进行仿真,经过仿真得到了三个不同比例下的MAE（Mean Absolute Eorror）值,并且比较了三个不同比例下的MAE值,根据MAE值大小确定了之后两章的数据集与测试集的划分的比例。（2）在传统的推荐算法当中,原有的皮尔逊相似度计算中只考虑用户的评分对于相似度的影响,而忽略了用户的评价体系在推荐算法中的作用。所以为了满足电影评分推荐协同过滤算法中精准化的需求,本文就引入了用户差异因子,改进了皮尔逊相似度计算方式,搭建出可以描述出用户简单的评价体系。从而解决在传统的协同过滤算法相似性计算中,针对不同用户具有不同评价体系存在一定偏差的问题。对于不同相似度计算方式下的进行实验仿真,经过仿真得到实验的结果说明了改进后相似度计算的协同过滤算法能够降低MAE值。（3）本文将神经网络与基于项目的推荐算法和SVD模型分别进行融合,并运用改进后的相似度计算方式。基于神经网络-SVD模型推荐算法与之前几种算法相比RMSE值都有所降低,最大下降了3.99%,最低下降了1.33%。而基于神经网络-项目的推荐算法在时间效率上表现更好。