随着互联网的迅猛发展,信息呈指数级增长。面对如此庞杂的信息,帮助用户快速、有效地获取需要的信息成为一项具有挑战性的工作,这也是当前学术界研究的热点问题。学术界和业界针对信息过载问题开展了大量的研究和实践工作,提出了多种个性化解决方案,希望为用户提供符合其需求的信息。而推荐系统就是解决此问题的有效方法,它是一种个性化信息服务系统,通过推荐算法实现有针对性的个性化推荐。而协同过滤是在推荐系统中应用最成功和最广泛的一种推荐算法。协同过滤通过用户评价过项目的历史评分数据来预测未知项目的用户评分,但随着互联网不断发展与普及,像淘宝、抖音、微信这样的大型平台用户数都已过亿,而且其中的项目资源也增长至千万级。但大部分用户仅仅对个别项目进行过评价,而且用户评价过的项目也不尽相同,因此用来进行预测评分的用户-项目评分矩阵变得极端稀疏。很难根据这些数据找到偏好真正相近的用户,传统基于协同过滤方法所生成的推荐质量越来越差,稀疏性问题己成为影响推荐效果的关键问题,因此需要新的方法来解决这个问题。而用户画像的产生原因是为了准确、高效地分析用户的偏好信息,将其与协同过滤相结合可能会改善这一问题。并且有调查显示80%的用户愿意向平台提供自己的姓名、年龄、性别等基本信息。因此笔者就对如何使用用户基本信息构建用户画像、如何将用户画像融入到协同过滤进行了研究。提出了一种构建用户画像的用户信息度量模型,一种基于用户画像与协同过滤的混合推荐模型UPCF。本文在实验阶段考察了相似度量模型(PCC、COS、ADCOS)、评分预测算法(DFM、WS)、不同用户特征对混合推荐模型UPCF的影响,并在其中选出了使UPCF模型表现最优的组合。然后将此UPCF模型分别与UBCF、SM模型在MAE、Precision、Recall、F1四种评价指标下进行了比较,实验结果表明本文提出的方法在这四种评价指标上,确实要优于传统的UBCF、改进的SM方法,证明了本文提出的方法提高了协同过滤推荐算法的预测准确性,缓解数据稀疏性问题带来的影响。