大数据时代的来临,用户面临严峻的信息超载问题。信息推荐技术能够帮助用户从海量网络信息中提取有用信息,因而得到研究者的广泛关注。但现有的推荐技术主要考虑从兴趣的共性特性,即从普遍关联的视角为用户推荐网络热点信息,而较少考虑从兴趣的个性特性,即从个体需求的视角为用户推荐满足其个性需的信息。而从用户个性出发进行推荐,在许多信息推荐任务中,特别是在网上商城的图书推荐,Netflix的电影推荐,以及网络新闻推荐等需要用户个性化信息的场景中尤其重要。有鉴于此,为了解决信息过载问题以及用户的个性化推荐问题,本文研究了基于用户的协同过滤推荐算法与基于物品的协同过滤算法。本文通过对比分析用户的显示、隐式兴趣模型在推荐算法中的作用,发现隐式模型的优点,并使用基于隐式模型的协同过滤算法实现了个性化推荐系统。本文的主要研究工作如下:首先,本文研究并实现了基于显式特征表述的用户兴趣推荐算法。所谓显式特征是指在数据集中用户与物品的类别与职业等信息,基于显示信息本文利用线性回归算法来拟合用户兴趣与评分数据,并通过拟合出的权重参数预测用户对于电影的兴趣值,最终根据预测兴趣值完成用户信息推荐。其次,本文研究并实现了基于融合兴趣模型的用户兴趣推荐算法。所谓融合兴趣模型是指融合显式与隐式特征之后的模型,在这里隐式特征是指通过隐语义模型训练出来的隐含特征。基于融合兴趣模型的预测方法综合考虑了用户显式、隐式兴趣模型,并可以通过调节权重,模拟不同用户个性化特性偏好。再次,本文研究并实现了基于隐式特征的用户兴趣协同推荐算法。算法通过使用隐式模型表述用户的兴趣,然后使用协同过滤算法来实现用户兴趣推荐。隐式特征表述的用户兴趣粒度更细腻,建立的用户兴趣模型也更加精准,使得推荐系统能够更加准确的把握用户的个性化兴趣需求,从而实现个性化推荐。最后,基于以上的算法实现个性化精准推荐系统,在Movielens语料集上进行测试。实验结果表明,隐式特征能够更加精准的表述用户的兴趣。