随着互联网的发展,人们能够获取的信息资源愈加丰富,这些信息资源在方便人们生活的同时也引发了一定的问题。人们通常需要消耗大量的精力与时间来从庞大的信息库中找到自己想要的,所以使得“信息超载”越发严重,怎样从杂乱的信息里面搜集到人们真正需要的信息也需要快速的解决。推荐系统可以解决上述问题,它能够准确地给用户推荐其感兴趣的内容,进而实现个性化服务。然而,推荐系统发展至今仍面临一些问题:一是由于现实生活中物品的数量及种类多,用户对物品的评价数目有限,因此,在用户-物品评分矩阵中有许多未评分的项,导致用户-物品评分矩阵稀疏,产生了稀疏性的问题;二是每当有新物品加入时,往往会因为没有用户对新物品的评分信息,而使得新物品得不到推荐,产生了冷启动的问题;三是现有的推荐系统往往不能对用户进行准确地推荐,存在推荐质量较低的问题。本文阐述了个性化推荐系统的基础知识及相关理论,分析比较了现有的推荐算法,针对现有推荐算法的稀疏性、冷启动以及推荐质量低等问题进行研究并提出改进方法。本文主要工作如下:1、当前推荐系统的数据集较为稀疏,基于这个现象,本文先利用粗糙集理论对规则进行了提取,通过用户-物品评分矩阵和用户、物品属性搭建了相应的决策表,紧接着对获得的决策表进行约简以获得各条规则对应的核值形成核值表,最后得到核值决策规则,实现对其全部的约简,进而对还没评分的物品给予预测评分并填充原始的用户-物品评分矩阵以在协同过滤中计算相似度,缓解用户-物品评分矩阵中数据稀疏性的问题。实验表明,通过粗糙集理论进行规则提取,能有效缓解用户-物品评分矩阵的稀疏性问题,提高推荐算法的准确性。2、基于物品的协同过滤算法在计算相似度时仅仅依赖于用户-物品评分矩阵,没有考虑物品彼此之间存在的关联,当用户主观上对某些物品存在偏见时,往往会对该物品进行较低的评分,由于这些低质量评分的存在,使得推荐系统的准确性偏低。为降低用户主观偏见对推荐结果的影响,本文引入物品分类的概念,通过物品自身的属性信息,将物品进行分类。结合用户-物品评分矩阵,通过这两方面计算物品之间的相似度,实现符合目标用户偏好的个性化推荐。实验表明,通过引入物品的分类信息来计算物品之间的相似度,能有效提高推荐算法的准确性。