随着信息技术的飞速发展以及移动设备的成熟，网络服务和交易等网上业务也越来越普及，网络信息也呈现出了几何级增长的态势。而用户除了是信息生产者之外同样也是信息的消费者，越来越严重的“信息过载”问题正是他们所必须面对的。而推荐系统可以发现用户的偏好，提供极具个性化的服务，使得用户真正从海量数据中解放出来，轻松应对爆炸式的信息。作为目前推荐系统中个性化推荐技术的热点——协同过滤技术，一直受到国内外研究学者的高度关注。本文通过对国内外研究现状的分析，在前人研究工作的基础上对协同过滤推荐技术进行更深一步的研究，主要研究工作如下：
　　1、本文对基于内存的协同过滤算法中存在的可扩展性问题以及稀疏性问题进行研究，提出了一种先聚类后填充的混合协同过滤算法。该算法首先以用户属性特征作为聚类依据，利用基于最小生成树 K-means 聚类算法对用户进行聚类分析，生成 K个相似用户集合；其次在聚类分析的基础上利用Slope One算法预测填充生成的相似用户集下的用户评分矩阵；最后采用混合协同过滤算法对填充后的用户评分矩阵进行最近邻搜索从而得到预测评分，产生推荐结果。对比实验结果表明，提出的算法显著提高了推荐的精度、有效缓解了稀疏性问题及具有良好的可扩展性。
　　2、针对评分数据稀疏性问题，从大多数推荐算法中常忽略的文本信息出发，提出了一个结合用户评论文本内容和评分的推荐模型。该模型首先利用带偏置的矩阵分解算法挖掘用户评分矩阵信息，同时使用主题模型技术寻找在用户评论文本中的隐藏主题。接着通过设计一种转换函数将项目和用户潜在的向量转换为主题分布参数来结合评分数据中的潜在因子和用户评论文本中的主题。通过在Amazon网上商城的真实数据集上的实验，证明了该模型在结合评论文本与用户评分后进行推荐的有效性，并且从另一方面缓解了评分数据稀疏性的问题。