网络技术的迅速发展和互联网应用的逐渐丰富,使人们的生活更加的方便多彩,但同时也给人们带来了信息过载的问题。因为互联网上的数据过于庞大,人们没有合适的信息筛选工具,将花费大量时间才能在大规模的信息资源中找到相关的资料。传统的搜索引擎系统在一定程度上解决了这个问题,但同时也存在着一些缺陷：反馈的信息过于杂乱,对用户的操作要求过高以及无法提供个性化的反馈信息等。推荐系统根据用户的长期兴趣特点和行为模式,向用户推荐其感兴趣的信息资源,从而进一步地解决了信息过载的问题。本文的研究目的是为了提升推荐算法的预测准确性。在本文中,我们认为社会主流趋势的影响造成了推荐中的全局特性,而兴趣类似的用户之间的相互影响产生了推荐中的局部特性。然后我们对推荐系统中的全局和局部特性进行了深入的讨论,并且分析了用户评分行为和经典的推荐算法中存在的全局和局部特性。通过分析以后,我们认为全局性的推荐算法和局部性的推荐算法的基本假设和侧重点不同,并且每个用户的行为也是具有明显的差异性,所以将这两类算法进行混合有利于提高预测准确率。于是我们提出了一种个性化混合推荐模型,基于每个用户的行为特征个性化地整合全局性和局部性的推荐算法的结果。最后,我们设计了详细的算法验证性实验,测试数据集是在学术界被广泛采用的推荐测试数据集Movielens。实验表明,个性化混合推荐模型的预测准确率比经典的推荐算法有了大幅度的提高,从而证明了该算法的有效性。