随着信息技术和互联网的快速发展,以此产生的数据量呈指数级别增长,信息过载问题日益严重,人们很难从海量的信息中找到自己真正感兴趣的东西。个性化推荐技术,能够根据用户的年龄性别等社会化属性,历史行为等显性或隐性信息,采用多种推荐算法,主动为用户做出推荐,帮助用户进行决策。凭借其强大的信息推送能力,个性化推荐受到了传播学界的广泛关注。但是目前学界对于个性化推荐的研究多集中于其影响机制,对于个性化推荐算法本身的介绍很少,更没有优化其性能表现的推荐改进研究,推荐算法完全处于“黑箱”之中。本文首先对个性化推荐的主要算法进行了详细的文字描述和公式说明,并指出各自的优缺点以及适用场景:第一,用户相似度的计算上,如何引入新的特征属性来进行衡量,使得用户的近邻更加的准确;第二,热门物品的干扰性,采用什么样的策略能够对热门物品进行惩罚;第三,用户-物品评分矩阵的稀疏性问题。针对上述的问题,本文在过去的协同过滤算法的基础上,提出了新的改进方式,包括基于社群关系的信任模型,来提高用户相似度计算的准确性,从而改善个性化推荐的效果。最后本文改进的算法模型在豆瓣读书数据集上进行了实验,通过实验结果的对比说明了改进的协同过滤算法相比于传统的协同过滤有着更好的表现。通过本文的研究,希望能够打开个性化推荐技术的算法“黑箱”,使得学界对其推荐原理能够有更清晰的认知。除此之外,希望对于业界改善新闻领域的个性化推荐的效果上,能够给予一定的启发,提供一定的借鉴作用。