随着互联网的快速发展,数据信息增长迅速,海量信息的出现一方面使得感兴趣的内容很难被用户找到,另一方面使得大量数据少人问津。为了很好地解决用户需求与互联网庞大的数据之间的问题,个性化推荐在学术上和工业上受到了越来越多的关注。由于用户规模和项目数目的急剧增长,推荐系统出现了严峻的数据稀疏性问题。本文综合分析了国内外研究现状,对如何提高个性化推荐系统的准确度进行了深入研究。本文首先介绍了几种常用的其他个性化推荐技术,并对每种技术存在的优缺点进行了分析和比较。紧接着,深入研究了协同过滤算法的实现过程,对CF算法的稀疏性和冷启动问题进行了详细分析和研究,并针对稀疏性问题提出了奇异值分解的解决办法,先用平均值对缺失值进行填充,再用SVD来对填充后的矩阵进行降维,最后提出一种引入项目属性和惩罚因子来改进相似度计算公式,通过修改原始项目相似性,改进了传统项目相似性的度量方法,以此得到目标用户的最近邻集合,最后得到目标用户未知项目的评分预测。通过降维和相似性算法的改进,提高了推荐系统的准确性。另外,用户的兴趣不是一成不变的,会随时间的推移而产生变化。因此从时间维度的角度,对用户兴趣的时间加权和物品的时间加权,进行相似度计算,从而提高推荐效果的准确度。最后,在MovieLens数据集上对本文改进后的算法进行测验,结果表明,改进后的CF算法比传统的CF算法在推荐效果上具有更高的准确性。