如今,信息技术的迅猛发展,给用户提供了大量的信息,用户可以足不出户,通过互联网就能获取各种信息,这满足了用户信息需求。然而,随着互联网不断增长资源的提供,信息出现爆炸式增长,造成了“信息过载”;这就给用户在海量信息中获取自己感兴趣的信息带来巨大挑战。而解决信息过载的一个重要途径就是个性化推荐技术,它能够帮助用户获取真正感兴趣的信息。本文从推荐系统的背景及发展现状展开研究,重点探索了推荐系统中存在的问题和挑战,针对协同过滤算法中冷启动和数据稀疏等问题,本文提出将内容信息与用户行为融合的混合推荐算法。主要工作如下:对Saveski等人的结合物品描述及用户行为的混合推荐算法方案进行分析,该方案是默认物品描述信息足够丰富的情况下进行的,但实际应用场景中存在很多物品描述短小等情况,本文针对这个缺陷,提出一种改进物品描述信息,分别构建用户矩阵和物品描述矩阵,然后融合用户行为的推荐方案,并在MovieLens数据集上进行实验,验证了新的方案对冷启动问题及推荐效果的改进。提出结合主题向量的基于用户行为及物品类型描述的混合推荐方案,针对物品描述有限的问题,将物品的标签信息中选取关键特征作为物品描述信息的扩充,然后利用主题向量模型计算新的物品描述的主题向量,并由此计算物品相似度,与基于用户行为计算的相似度融合,进而为用户提供推荐。实验的结果验证了物品描述有限时,扩充物品描述信息及采用主题向量的方法比基准的方法在准确度和物品冷启动问题上有较好的改进。