随着互联网技术和应用的飞速发展,推荐系统在网上购物、图书、音乐、电影、新闻等方面的应用愈加广泛。面对海量信息,推荐系统显得尤为重要,推荐技术受到更多的关注和研究。作为推荐系统核心技术的推荐算法,在很大程度上决定着推荐系统优劣。而协同过滤技术以其简单、高效的特点,成为目前应用最为广泛和成功的推荐技术。本文论述了推荐系统的研究意义,国内外研究现状,基本框架和基于关联规则、基于内容等主要的推荐技术,并深入介绍了协同过滤推荐的实现过程、分类和面对的主要问题。针对传统协同过滤算法存在的稀疏性和冷启动问题,本文提出了一种基于用户和项目的混合协同过滤算法。为了使该算法比传统算法更能代表用户的偏好并具有更高的预测准确度,本文主要做了以下工作：1.引入修正参数α对Pearson相似性公式进行修正；2.引入控制因子λ对用户和项目两项评分进行综合加权,以得到更精准的预测,最终提高系统推荐质量。最后,本文使用协同过滤常用的MovieLens数据集设计对应的实验方案。首先,设计实验确定了修正参数α和控制因子λ的最佳取值；其次,对本文提出的修正相似性公式进行了推荐效果测试,针对基于用户和基于项目算法选择不同的相似性计算公式；最后,以平均绝对误差MAE作为评价指标,对本文提出的混合算法UPIC和常用的算法进行了分析对比,实验结果表明本文提出的基于用户-项目的混合协同过滤算法UPIC与传统的基于用户和项目的协同过滤算法相比较推荐更加准确。