伴随计算机技术的日益发达,网络上的信息量呈爆炸式增长,整个社会正步入信息过载时代,人们迫切需要高效的信息过滤方法。个性化推荐算法是应对信息过载的有效手段之一,能够将用户可能感兴趣的信息、产品直接推荐给用户。协同过滤推荐算法是目前最主流的个性化推荐方法,其通过对已有的用户历史数据发掘用户的喜好,来为用户提供个性化推荐,目前已有广泛的应用。然而,当前的协同过滤推荐算法仍存在不足,如数据稀疏性、评分时效性不佳、相似度计算不准确、冷启动、特征提取困难等。这些问题严重影响了推荐的效果。本文针对上述问题,开展基于协同过滤的个性化推荐算法研究,主要工作包括:（1）针对数据稀疏性、评分时效性不佳和相似度计算不准确的问题,提出一种基于改进K-means和优化评分的协同过滤推荐算法。首先使用Weigh Slope One算法预测并填充评分数据中的空值;然后改进K-means聚类算法,对用户进行聚类,在聚类所在簇内计算相似度,并引入时间权重以提高推荐时效性和相似度计算准确性。实验结果表明,该算法有效提高了推荐精度。（2）针对数据稀疏性、冷启动及评分预测的不准确问题,提出一种基于LSTM情感分析和PMF矩阵分解的协同过滤推荐算法。首先建立LSTM情感分析模型,将分析用户评论得到的预测评分加入到原评分数据中;然后结合Weight Slope One算法优化评分矩阵;最后对评分矩阵进行PMF矩阵分解,使用得出的用户和项目隐式评分来预测用户评分。实验结果表明,该算法推荐效果明显提升。（3）针对数据稀疏性、特征提取困难的问题,提出了一种基于概率矩阵分解和变分自编码器的协同过滤推荐算法。首先改进变分自编码器,对评分数据进行重构;然后对重构的数据进行概率矩阵分解,通过分解出的用户和项目的隐式评分特征来预测用户评分。实验结果表明,该算法有效提高了推荐效果。综上所述,本文针对当前推荐系统中存在的问题,提出三个解决方案:基于改进K-means和优化评分的协同过滤推荐算法、基于LSTM情感分析和PMF矩阵分解的协同过滤推荐算法、基于概率矩阵分解和变分自编码器的协同过滤推荐算法,有效降低了数据稀疏性、评分时效性不佳、相似度计算不准确、冷启动、提取特征困难等等问题带来的影响。