随着互联网和电子商务的迅速发展，如何将合适的产品和服务推荐给用户，成为了信息时代最具挑战性的问题之一。个性化推荐系统在这信息爆炸的时代应运而生，它能主动的预测到用户的偏好并把用户可能喜欢的产品推荐给他们，该技术已经得到互联网市场的广泛应用，并获得了良好的效果。近年来业界提出了许多推荐算法，协同过滤因其具有可以处理复杂非结构化对象，且自动化与个性化程度较高的优点，目前已成为应用最多且最有效的推荐算法之一。虽然协同过滤算法得到了市场的认可，但也还存在着诸如冷启动、稀疏性等难题需要解决。本文针对这些问题，展开了以下探索与研究：第一，为了解决传统协同过滤算法的难题，本文提出了融合用户注册信息的协同过滤算法。传统的协同过滤算法仅仅针对用户与系统之间的交互信息（比如评价信息），推荐的准确性严重受制于双方交互信息量的大小，尤其是面对新用户难以给出有效的推荐。改进算法融合了用户首次浏览网站并注册成为网站会员所留下来的信息，并利用注册信息寻找相似邻居，进而预测新用户可能的兴趣爱好并推荐相应信息，从而解决冷启动与稀疏性问题。第二，通过用户注册信息（比如性别、年龄、地区、职业、业余爱好等）来分析用户偏好，得到的结果针对新用户使用较为实用。传统的的协同过滤算法对于数据输入是进行统一处理的，本文提出差异化的推荐算法，通过设定评价数量阈值，分别对新用户与老用户进行不同的个性化推荐，提高了推荐算法的精准度。