随着网络的普及,互联网信息总量的日益剧增带来了信息超载问题。个性化推荐系统作为解决“信息过载”问题的技术,已经成为电子商务的重要组成部分。近年来,个性化推荐系统理论研究和实际应用得到了很大的发展,几乎所有的商务网站都应用了个性化推荐系统,为用户提供个性化服务,使其享受更好的用户体验。协同过滤个性化推荐是推荐系统领域最重要的技术之一。协同过滤个性化推荐的目标就是为用户提供更准确的项目列表。常识告诉我们,用户的兴趣往往是多样性的,对不同类型的商品喜好程度不同。现有的协同过滤个性化推荐还没有很好地解决这一问题。本文主要研究的内容是在用户兴趣多样性下,如何准确地为用户提供符合其兴趣的个性化推荐服务。本文的研究内容与创新性工作主要体现在以下几个方面：(1)对现有的协同过滤个性化推荐算法进行了深入的研究与分析,指出用户多兴趣问题对协同过滤个性化推荐算法的影响。(2)对用户多兴趣问题,提出一种新颖的相似度计算方法。用权重系数6平衡项目相似度与用户兴趣度之间的比重。适当的调整δ值,计算出更符合用户某类兴趣的最近邻居。在计算预测评分时,以用户兴趣度所占权重作为系数进行加权平均,使预测评分更准确。(3)针对用户多兴趣引出的类型内数据稀疏性问题,提出先采用基于用户的协同过滤个性化推荐对目标项目未评分的用户进行一次预测评分。这样改善了数据稀疏性问题,并且将基于用户的协同过滤技术应用到基于项目的协同过滤技术上,避免了基于项目推荐算法不能推荐潜在兴趣项目的弊端。本文在matlab环境下,对提出的基于用户多兴趣的协同过滤个性化推荐改进算法进行了模拟实验,并考虑到时间复杂度,将平均运行时间MRT作为一种评价标准。通过与已有算法对比,验证了本文提出的改进算法在推荐准确性和实时性等方面优于已有算法,从而有利于提供更加个性化的推荐服务。