随着互联网中用户、商品、交易记录、社交信息等一系列数据的爆炸式增长,海量规模的信息资源充斥在网络中,容易产生"信息过载"现象。为解决这一问题,个性化推荐技术应运而生,它能够为用户提供符合其自身特性的信息服务和决策支持。协同过滤算法是个性化推荐技术中的热门研究课题,其通过分析用户行为,在用户群体中挖掘其他与指定用户兴趣相仿的用户,综合这些相似用户特征对目标物品进行评分,形成推荐模块对目标物品的评分预测。然而,随着数据规模的不断增长,协同过滤推荐算法也面临一系列挑战,诸如数据稀疏性问题、扩展性问题、推荐准确性问题等。本文深入研究基于模型的协同过滤推荐算法中的数据稀疏性、可扩展性问题,并对基于受限玻尔兹曼机和基于矩阵奇异值分解的评分预测推荐算法进行改进。主要工作包括:第一,对传统协同过滤推荐算法的体系结构、发展现状展开研究,对基于邻居相似度和基于模型的协同过滤推荐算法分别作详细介绍。深入研究RBM模型的网络结构、对比散度训练方法,详细分析了奇异值分解(Singular Value Decomposition,简记为SVD)模型的理论方法,对隐语义模型及正则化方法进行了详细说明。第二,对基于RBM的协同过滤推荐算法进行改进,加入训练数据中用户浏览过但未评分的行为信息,形成基于条件受限玻尔兹曼机(Conditional RBM,简记为CRBM)的协同过滤预测算法,并对现有的针对用户的CRBM进行改进,提出针对项目的CRBM模型。实验结果表明,改进后针对项目的CRBM算法预测精度优于目前针对用户的CRBM协同过滤算法。第三,对基于用户行为属性的SVD++预测模型进行分析与改进,加入用户历史行为记录的潜在信息,用包含用户喜好的隐性特征向量矩阵替换原SVD模型中的用户特征向量矩阵,提出非对称奇异值分解算法(Asymmetric SVD,简记为ASVD)及其对偶模型,并对提出的预测模型进行扩展,加入k近邻关系形成融合推荐模型进行评分预测。实验结果表明,所提出的融合模型能有效提高推荐系统的预测精度。