在互联网的推动下,数据资源每天以指数形式增长,为了帮助用户找到想要的信息,降低信息过载,推荐算法应运而生。协同过滤算法是推荐算法中应用比较成功的一个,无论在理论上还是在实践方面的研究都比较成熟。但是仍然存在数据稀疏性、扩展性不足、用户之间相似程度如何度量、对目标用户的针对性不够、应用的领域较少等问题。论文论述了推荐算法国内外研究及其应用现状,阐述了协同过滤推荐算法和评估推荐算法等基本原理及其各个模型的特点与应用条件,本文研究如何将协同过滤算法应用到保险公司的个险业务中,个险业务中的用户按照购买的保险单数可以划分为一单用户、两单用户、三单用户……,其中一单用户基数巨大,因此作为本文研究的目标用户。传统的协同过滤算法主要应用于互联网领域,由于互联网领域对推荐结果的推广实施成本很低,因此没有专门划分高质量用户,而是针对全部用户推荐产品。考虑到保险公司的个险产品是通过营销人员专门营销推广,因此成本要大很多,并且推广的速度和周期也会更长。为了解决这个问题,本文提出了针对个险业务的协同过滤算法。首先在指标的筛选上采用统计分析和专家分析筛选出个险用户购买行为特征指标,采用熵技术法、相关系数法、神经网络法等确定各指标的权系数,从而使得权重的计算更加科学合理,这也为后续的建模提供了前提保障。然后采用理想点法等计算个险用户再次购买保险产品的相对可能性,从而能够对所有用户按再次购买保险产品的可能性大小进行排序,以便保险公司营销人员进行精准营销,提高营销效果。本文将用户分类成目标用户和忠实用户,将目标用户和忠实用户的相似度引入到协同过滤算法中,通过细分用户群体不仅可以提高协同过滤算法推荐的成功率,还提高了算法的可实施性,将协同过滤算法更好的应用在保险领域中,提高公司业绩的同时降低的推广和营销成本。然后通过改进后的协同过滤推荐算法与传统的协同过滤进行实验对比,证明本文中提出的算法的合理性和科学性。经过实验证明,改进后的协同过滤算法解决了公司优先定位高质量用户的业务需要,同时也满足了为这些高质量的用户推荐合适的保险产品的目标。这次协同过滤算法的实践性研究也为其他领域结合自己的数据特征选择合适的推荐算法提供了很好的思路。