当今社会已经进入了信息大爆炸的时代,面对着大量的信息数据,无论是信息的生产者还是信息的消费者都受到了极大挑战。一方面,信息生产者希望将自己生产的信息推送给可能对其感兴趣的用户面前;另一方面,信息消费者又希望能够从浩如烟海的信息中找出自己真正感兴趣的东西。在这种情形下,推荐系统应运而生,它通过分析用户的历史行为信息,为用户的兴趣爱好建模,从而能够预测用户潜在的可能感兴趣的物品,完成个性化推荐。在个性化推荐系统领域,大家最为关注的就是如何使推荐系统的性能达到最优.其中推荐算法的好坏起着至关重要的作用,因此关于推荐算法的研究就成为大家关注的焦点。本文主要从以下几个方面论述。首先,为了对推荐系统的理解更加具体、深刻,介绍了推荐系统的概念、构成模块、评价准则、评测方法还有典型应用场景。系统的分析了几种典型的推荐算法,包括基于用户的协同过滤算法、Slope One算法、SVD算法以及隐语义模型,分别总结了这些算法的思路,算法步骤以及算法的优缺点。然后,重点研究了Mahout中推荐部分的知识,在此基础上搭建了基于Mahout的简易推荐系统,该推荐平台基于单机内存实现,可处理1M以下的数据量。随后,利用该平台对所介绍的推荐算法的性能进行了评测,主要的评测标准有MAE,Recall以及Precision。在仿真实践的过程中,发现对于不同的算法,当所选取的参数以及数据集不同时,评测结果也会发生变化。最后,针对视频推荐系统的特点,指出了传统推荐算法在视频推荐领域存在的不足,接下来,详细介绍了Item-based协同过滤算法和Collaborative Filtering with ALS-WR推荐算法,分析了这两种算法存在的优势以及不足,在此基础上提出了将这两种算法进行加权组合的混合推荐算法,并探讨了如何确定加权系数。仿真结果表明,该算法有效解决了因为数据稀疏引起的推荐精度差的问题,并且提供的推荐符合用户的个性化需求,对于视频推荐领域算法研究具有一定的帮助。