随着PC和智能手机的普及,互联网基本达到全方面覆盖,人们从web上获取信息越来越便捷。然而Internet上除了我们所需的信息外还存在着海量的噪音信息,我们需要费时费力从中筛选。如何给互联网信息去噪,让人们能够快速找到所求显得越来越重要。个性化推荐系统因此而被提出来,致力于让Internet主动地给人们提供个性化信息服务。而推荐系统的引擎—推荐技术对推荐系统的推荐效果优劣起着至关重要的作用,好的推荐引擎能让人惊喜连连,劣的推荐引擎如同垃圾生成器。因此,如何提升推荐算法的性能成为亟需解决的问题。本文从现有的推荐技术出发,提出了一种基于用户活跃度进行加权的混合推荐算法,提高了推荐系统的可扩展性、稳定性和准确性。主要工作和贡献如下:1、提出了协同过滤算法的改进方案—基于标签加权的协同过滤。传统协同过滤算法在线计算量大、可扩展性差,本文引入了用户标签加权的方法,有效地减低了在线计算量,提高了可扩展性;2、引入FFM模型到推荐领域。采用合适的损失函数和优化方法,将FFM模型应用于物品分值预测,解决了协同过滤算法在稀疏数据集,新用户上性能差的问题;3、提出了根据用户历史活跃度来确定混合系数的思想,并根据实验确定了混合系数公式。本文中将基于标签加权的协同过滤算法和基于FFM模型的推荐算法进行加权混合,得到新的推荐算法;4、设计并实现了基于本文提出的混合算法的个性化图书推荐系统,包括用户注册登录、信息管理、在线实时推荐等功能。