个性化推荐系统在网络购物、在线音乐和在线电影等领域有着广泛的应用。它根据用户的基本信息、历史行为等数据，依靠机器计算预测出用户可能感兴趣的物品，并推荐给用户，希望赢得用户的使用，从而推动用户产生消费行为。因此，推荐系统在业界有着广泛的应用。随着人们学习生活越来越多的借助和依赖于网络，对个性化推荐系统的研究，有着充足的现实意义。目前各种推荐算法在不同领域的具体应用中各有长短。但k-近邻思想、相似度思想，加权思想依然是各种推荐算法中最常用的思想，支撑和推动着推荐系统的不断发展。而随着用户和项目信息的规模的急剧扩大，推荐系统一方面面临着稀疏性问题、可扩展性问题、冷启动问题等技术性的问题；另一方面也面临着与具体领域更好的结合，进一步利用行业信息以取得更好推荐效果的现实问题。本文的主要内容如下：首先对推荐系统进行了研究分析，概述了推荐系统及其主要算法。其次，针对评分预测系统中没有考虑非评分因素对预测结果存在影响的问题，提出了一种考虑了非评分因素偏差值的新评分预测算法。新算法通过将非评分因素和评分因素作为两个独立项分别求值。以评分预测为基础项，以非评分因素为修正项，通过两者相加得出评分预测结果，从而达到修正评分预测结果、提高评分预测结果准确性的目的。第三，提出了一种推荐系统的新算法，新算法为推荐算法面对稀疏性问题时提供了一种新的解决思路。新算法通过删除稀疏矩阵的孤立点将其变为稠密矩阵,并通过基于关联规则的推荐解决了已删除的孤立点的推荐问题,整体上形成了一种组合推荐，避免了推荐的单一性，同时降低了计算代价。第四，将新算法在电影评分预测系统中进行应用，并通过仿真实验，对比新算法和经典算法在RMSE性能上差异，证明了新算法可以提高推荐算法的准确性。