如今,Internet发展迅猛，已成为人们生活中不可或缺的一部分。无论是出门吃饭还是在家看影视节目都可以根据网站的推荐进行选择。然而,随着接入互联网的网页数量不断增长,传统的搜索算法已无法针对不同用户提供个性化的信息，随之产生了“信息过载”的问题。因此，个性化推荐技术应运而生。　　协同过滤推荐算法是当前推荐系统中应用最广泛的推荐算法，但是随着电子商务的规模不断扩大，协同过滤算法同样遇到了一些挑战，如冷启动问题、数据稀疏性等问题。本文针对协同过滤算法进行了深入的学习和研究，并阐述了相应的组合算法和针对协同过滤算法的改进算法，取得了理想的结果。　　本文的创新工作主要如下：　　1、使用Netflix公司的数据集Movielens中除了用户——项目评分外的数据。　　2、提出一种数据处理方法来消除不同个体评分差异性对项目评分预测带来的误差；改进了协同过滤的数据稀疏性惩罚，减少数据稀疏性对项目评分预测带来的误差；提出协同过滤的时间性惩罚，减少系统对用户进行过时推荐。　　3、进一步提出一种基于位置的协同过滤算法，有待具体的实验数据进行研究。