随着信息技术的不断发展,互联网技术也日新月异,使我们可以接触到海量的信息,让我们对于信息的渴求得到了满足;但同时也使得互联网上的信息呈现爆炸式的增长,出现信息过载问题。搜索引擎的出现缓解了信息过载问题,但是当用户不能提供明确关键词时,则无能为力;同时,对于相同关键字,搜索结果是相同的,不能满足用户个性化的需求。以推荐系统为代表的信息过滤技术则能很好的解决这些问题。推荐系统的研究始于20世纪90年代,大量的研究成果也不断出现,各类推荐算法不断提高着推荐的准确度。本文主要研究基于矩阵分解的协同过滤算法,在分析经典矩阵分解协同过滤算法的基础上,提出了改进方案,以解决目前方法的不足,提高精确度。本文主要工作如下:(1)、阐述推荐系统的研究背景与国内外研究进展,对推荐系统的结构、分类以及存在的问题做了比较深入的讨论,并对协同过滤推荐算法做了重点的阐释,介绍了基于内存以及基于模型的协同过滤推荐算法。(2)、基于梯度下降矩阵分解模型的协同过滤推荐算法需要利用正则化技术对问题加以约束。损失函数中的正则化参数能够提高模型的预测精度,防止训练过拟合,并可以在二者间调节,使二者平衡。提出了一种多正则化参数的方法,根据用户的活跃度或者项目的流行度确定正则化参数的值,能在不同评分数量的用户或者项目上防止训练过拟合,同时可以得到更好的预测精度。实验结果验证了算法的正确性和有效性。(3)、协同过滤推荐算法中,能够直接刻画用户与项目潜在特征的矩阵分解模型以及通过分析物品或者项目间相似度的基于内存模型是研究的热点。针对这两个模型存在的不足,提出了一种将基于内存模型与矩阵分解模型有效结合的方法,进而构建了一个改进的协同过滤推荐算法,提高了预测准确性。实验结果验证了改进算法的正确性与有效性。