进入了数据信息爆炸的时代后,用户从海量的数据信息中获得所需的信息变得十分困难。在这种背景下,推荐系统作为一种过滤信息的有效工具正在发挥着强劲的作用,用户获取信息的方式由简单而又有限的关键字搜索升级为高效、精确的信息挖掘。本文着重研究基于奇异值分解(Singular Value Decomposition,SVD)的推荐算法和一种基于神经网络的词向量数据驱动推荐算法,并在这两种算法的研究基础上,提出了一种基于词向量数据驱动的SVD推荐算法。首先,研究了一种基于神经网络的词向量数据驱动推荐算法(简称WVNN)。该算法利用神经网络完成评分预测任务,并可获得“副产品”—词向量。针对用户编号和物品编号不属于同一词空间的问题,提出了一种词向量串联的解决方法。然后,分析了SVD及其改进的一种推荐算法(简称BSVD)。针对SVD推荐算法评分矩阵缺失值填充问题,提出了增加用户偏置的物品平均评分填充方法。另外,在大量实验下研究了不同模型参数对BSVD算法性能的影响。为进一步提高推荐精确度,对WVNN和BSVD两种算法进行线性融合,实验结果表明,线性融合模型较单一模型的推荐精确度有明显提高。最后,本文在上述BSVD和WVNN基础上,提出了一种基于词向量数据驱动的SVD推荐算法(简称W-BSVD),将WVNN对词向量的训练作为BSVD因子矩阵的预训练过程,完成对因子矩阵的自适应初始化。实验结果表明,与BSVD相比,W-BSVD在推荐精确度上有稳定提升。