在大数据时代,互联网信息呈现出指数增长,给人们带来多元化网络生活的同时也给用户带来了相应的问题。其中在海量信息中获取用户感兴趣的信息成为亟待解决的问题之一,推荐算法和搜索引擎都是解决此类问题的有效手段。推荐算法根据用户的历史行为记录来预测需求从而提供推荐,相对于搜索引擎而言更具人性化。尽管推荐算法已经广泛应用于各个领域,但是仍然存在一些缺陷。例如冷启动问题,推荐算法无法为新用户和新项目提供准确的推荐;推荐的精准性和多样性问题,由于数据的稀疏性等导致推荐精度较低。本文针对推荐算法精度问题,在协同过滤算法的基础上提出了相应的改进和创新。基于用户偏好预测的推荐算法考虑到用户偏好对推荐效果的影响,在已有算法的基础上,重新构建用户偏好模型,引入用户评分对偏好标签的影响,以期得到一种模型与用户实际偏好更为接近,然后在此基础上与使用用户协同过滤算法在预测评分进行加权。通过预测加权来扩大用户偏好的影响,避免用户相似度经过多次计算与取舍导致用户偏好影响降低。近邻迭代推荐算法结合传统的两种近邻选择方式,先采用TOP-K方法选出用户的近邻集合,再使用阈值过滤方法筛选出亲近邻居,然后根据亲近邻居来选择二级邻居。在二级邻居的基础上,引入衰减比率和衰减权重来重新计算用户之间的相似度形成候选邻居集合,进而迭代选择邻居并优化邻居选择结果。结合以上两种算法计算出用户预测值后,采用预测倾向的方式来对预测评分进行修正,使得评分值更加接近用户的真实评分。实验分析证明该算法在推荐精度上有一定的提高,同时还能缓解评分矩阵稀疏带来的问题。