近年来随着互联网的快速发展和智能移动设备的增多,人类进入了信息过载时代,面对网络上浩如烟海的信息,用户查找真正符合自己兴趣的信息变得十分困难。推荐系统能够将用户在海量的信息中解放出来,是解决信息过载问题有效的技术手段之一,它通过分析用户的历史行为建立兴趣模型来主动为用户提供推荐服务,近年来推荐系统在研究和应用领域得到了广泛的发展。本论文主要进行了以下两个方面的研究：1、本论文针对冷启动问题对推荐系统框架模型进行研究。现有冷启动问题的解决方案一般是向新用户推荐热门物品,但这种解决方式向用户提供的是粗粒度的个性化推荐。本论文结合现有的推荐系统框架模型和协作机制提出了一种基于协作的推荐系统框架,通过不同推荐系统之间的协作,对目标用户的多源、异源数据进行融合,解决推荐系统冷启动问题,从而提高推荐系统的准确性,为用户提供主动的、透明的推荐服务。2、本论文重点研究分析了推荐系统算法中的协同过滤算法,并对基于用户的协同过滤算法进行了优化：本论文设计了用户对物品属性的偏好向量提取过程,结合已有的相似度衡量方式,将用户对物品的偏好划分为三个层次：属性层次、行为层次和评分层次,提出了一种基于用户偏好层次的协同过滤方法,并在评分数据集MoviveLens上进行了仿真,实验结果表明无论是在评分预测还是Top-N预测中,利用本论文提出的优化方法可以有效提高推荐结果的准确度。通过对推荐系统框架模型的研究,缓解了传统推荐系统的冷启动问题,可以为推荐系统的实际运用提供模型支持；通过对基于用户的协同过滤算法的优化研究,获得了推荐准确度较高的协同过滤算法,可以为用户得到满意的推荐服务提供技术支持。本论文通过以上研究,为推荐系统的进一步广泛应用提供了坚实的研究基础。