随着互联网技术的飞速发展,信息过载问题日趋明显,如何在海量信息中找到感兴趣的内容是互联网服务亟待解决的重要问题。个性化推荐系统是解决信息过载的常见手段,并且随着个性化推荐系统在电商领域中的成功应用,人们已经对其产生了广泛的关注,并尝试将其应用到其他领域。个性化推荐系统通过收集用户行为信息,分析用户兴趣偏好,然后对用户进行个性化资源推荐。不过目前个性化推荐算法还存在一些问题:随着系统资源的增加,推荐算法的性能和效果会不同程度的下降;对于新用户,“冷启动”问题普遍存在。本文针对以上问题开展个性化推荐的算法研究,主要研究内容包括:1)本文采用交互式推荐框架,并提出一种标签交互方案,旨在通过用户交互快速缩小推荐备选集,对推荐结果进行准确定位。与用户的每一次交互过程中,该方法提供一种最优标签属性供用户选择,使得基于该标签属性对推荐备选集的划分包含最大的信息量,从而使每一次划分都是高效的。2)“冷启动”问题是推荐系统中常见的问题之一,本文采用投票排名算法改善“冷启动”问题。在当前用户信息缺失的情况下,系统利用其他用户对资源的选择以及评分,对资源进行投票排名,获取当前最优资源推荐给用户,从而获取良好的用户反馈。3)在交互式推荐框架下,本文提出了一种改进的基于项目的协同过滤推荐算法。本文利用时间滑动窗口算法建立用户兴趣模型,并通过TF-IDF算法提取资源的标签特征,然后根据资源之间的标签特征向量寻找相似资源,最后通过估计用户的偏好度实现基于项目的协同过滤推荐算法。本文在交互式的推荐模型下提出了用户“冷启动”问题的改善方案,详细介绍了改进的基于项目的协同过滤推荐算法,并且通过准确率和召回率指标衡量该模型下的推荐效果。对比实验结果说明了基于标签特征的交互式个性化推荐算法的有效性。在交互式实验中,本文重点探讨了交互次数和算法性能之间的关系。