随着互联网技术的快速发展，互联网上的资源数量呈指数增长的趋势，在这些海量信息中找出自己感兴趣的信息越来越难，从而出现了所谓的“信息过载”现象。个性化推荐被认为是解决这个问题的有效途径。协同过滤是个性化推荐系统中应用最广泛的一种技术，然而随着系统规模的不断扩大，协同过滤技术在推荐的精确性和实时性上面临巨大的挑战。针对个性化推荐系统面临的主要问题，本文对推荐系统中推荐算法进行了有益的探索和研究，主要研究内容如下：　　 (1)针对个性化推荐精确性问题，对基于网络的推荐算法进行了改进，提出了一种基于物质扩散的协同过滤推荐算法，结合复杂网络上的物质扩散过程，在一个带权的用户-产品二部图上计算用户相似性，然后根据与目标用户相似的其他用户的评分信息来对目标用户产生推荐。在两组标准数据集MovieLens和Netflix上的实验结果表明，该算法能够提高个性化推荐系统的推荐质量。　　 (2)随着电子商务系统用户数目和产品数目的日益增加，在整个用户空间上寻找目标用户的最近邻居非常耗时，导致推荐系统的实时性要求难以保证。针对上述问题，提出了一种基于用户聚类的协同过滤推荐算法，将离线聚类与在线推荐相结合，首先通过用户评分的相似性对用户进行聚类，然后选择与目标用户相似性最高的若干个聚类作为查询空间搜索最近邻居并产生推荐列表。由于聚类部分可以周期性的在后台离线进行，可缩短在线的推荐时间，改善个性化推荐系统的实时性。在两组标准数据集MovieLens和Netflix上的实验结果表明该算法在保证推荐精度的前提下，能够有效地提高个性化推荐系统的实时响应速度。