随着信息技术的发展和网络设备的普及,互联网已经成为了人们获取信息的主要渠道,尤其是随着互联网的商业应用不断扩大和普及,商业服务互联网日趋成熟。另一方面,随着互联网商业用户的不断增加及用户对服务质量要求不断提高,网络中数据量急剧增加,“信息过载”问题日趋严重。门户网站和信息检索工具的负荷越来越大,处理能力受到了极大的挑战,尤其是当用户不能清晰地描述他所需的信息时,上述的两种技术均无法有效处理用户个性化的需求。在这种情况下,基于用户偏好的推荐系统应运而生。推荐系统可以根据用户的背景信息和历史操作数据进行信息过滤,并实现个性化的数据推荐。因此,个性化推荐系统被确认为是有效解决互联网中“信息过载”问题的关键技术之一,受到了世界范围的关注。本文详细阐述了推荐系统的发展背景和个性化推荐算法的国内外研究现状,系统分析了当前推荐系统中对推荐结果影响比较大的用户历史评价数据稀疏、新项目的冷启动和推荐结果覆盖率低等问题,在深入研究传统的基于用户的协同过滤算法和二分图推荐算法的基础上,提出了基于聚类分析与隐特征因子模型的协同过滤算法和基于项目信息与用户偏好信息的异构图协同排序算法。论文中主要的研究内容和创新性成果如下:（1）针对传统的基于用户的协同过滤算法中存在算法时间复杂度较高和数据稀疏导致的推荐精度不高的问题,本文提出了基于聚类分析与隐特征因子模型的协同过滤算法。该方法引入聚类算法,将用户划分为多个类别,将用户-项目评价矩阵分解为多个低维度矩阵,降低了算法的时间复杂度。此外,给出了基于隐特征因子模型的评分预测方法,利用该方法在训练集中拟合用户的真实的评分,从而减小了预测的评价值与真实的评分间的差异。利用公开数据集进行了仿真实验,仿真结果表明,所提方法在实时性和推荐结果的准确性等方面明显优于传统推荐算法。（2）为了避免新加入项目的冷启动、推荐结果的马太效应和用户评价数据的稀疏等问题在协同排序过程导致Top-n推荐场景复杂化的情况,本文提出了基于项目信息和用户偏好信息的异构图协同排序算法。所提算法通过构建异构图来对用户偏好的优先级和用户与项目的关系进行建模,充分利用项目标签信息和用户的偏好信息。此外,本文对传统的PersonalRank算法进行改进,在计算过程中充分考虑了用户偏好,有效地提高了所提算法的收敛速度。仿真实验表明,相较于传统的二分图推荐算法,所提算法在推荐结果的准确性和覆盖率等方面有了较为明显的提高。