随着互联网的普及与信息技术的飞速发展,网络已经成为人们日常生活中获取信息的主要途径,为用户提供了越来越多的信息及服务,网络上的信息资源开始呈现爆炸式增长趋势。面对海量的网络资源,用户通常很难快速找到真正有用的信息。在该背景下,个性化推荐算法应运而生。个性化推荐算法能够根据用户的个人兴趣偏好有效的调整信息服务的内容。但是,目前的个性化推荐算法发展的还并不成熟完善,现阶段推荐算法还存在推荐精确度低、严重的数据稀疏性、冷启动以及实时性等问题。本文针对推荐精确度问题,重点研究基于用户的协同过滤算法以及基于属性的推荐算法,比较两者之间的优缺点,并将这两种推荐算法结合进行混合推荐。在混合推荐中影响推荐结果的主要步骤包括相似度的计算、最近邻选择方法以及评分预测方法的计算。我们主要针对前两步进行改进,在相似度的计算方面我们在原有相似度方法的基础之上,将其进行改进。在最近邻选择方面,现主要有TOP-N方法和阈值方法,而针对这两种方法已有作者进行了改进,基于这两方面的改进方法,本文提出了混合最近邻选择方法。通过调整最近邻用户／项目的选择,从而提高推荐算法的推荐效果,为用户推荐满意的结果。本文在Movielens数据集以及BookCrossing数据集上验证了改进后的推荐算法的推荐效果,并与原有方法进行比较,实验结果表明这些改进方法有效的提高了推荐算法的推荐精确度。