随着信息技术的发展,推荐系统因为其给用户带来的便捷性,而越来越受到研究人员的关注。但是现存的推荐算法,在提取数据特征,特征向量编码等方面存在着诸多问。针对以上若干问,本文广泛参考了当前主流推荐算法,并分析他们的优势和不足,分别利用逻辑回归提出了一种融合用户偏好的协同过滤算法,一种深度学习神经网络与Adaboost相结合的推荐算法,用于实现不同类型数据集的推荐功能。本文主要研究内容如下:（1）针对传统协同过滤存在的隐藏特征利用不足的问,本文提取了用户对相同类别项目的评分次数作为特征。使用用户的历史评分信息构建基于皮尔逊相似度的用户相似度,使用用户特征向量构造关于用户属性的余弦相似度,最后将两种相似度进行混合。此外,本文使用对类别的平均评分降低计算皮尔逊相似度时使用的评分矩阵的稀疏性;提出特征缩小指数降低特定列对用户特征相似度的影响;提出基于杰卡德的动态相似度混合代替线性相似度混合;最后,使用逻辑回归对用户的项目偏好倾向作出预测,使用评分放大指数来对模型预测出的评分进行分数修正。（2）针对大数据量的数据集,本文选择使用深度神经网络进行数据拟合。但是神经网络具有对大数据集的良好拟合能力的同时,也具有不稳定性,如有可能造成局部最优解等。Adaboost可以将若干个弱学习器通过一定的方式组合起来,最终形成一个性能良好的强学习器,提升预测的准确度。针对神经网络的缺点,本文将深度神经网络与Adaboost结合起来,将深度神经网络作为Adaboost的基学习器。既可以发挥Adaboost的优点,也可以避免深度神经网络训练不稳定的缺点。针对项目类别特征向量稀疏性过的问,本文使用词向量对类别特征编码进行优化,使用一个单独的神经网络将项目类别编码转换为稠密向量,然后输入Adaboost的神经网络之中,有效降低了向量的稀疏性。针对激励函数tanh存在的梯度弥散问,本文使用Leaky Relu函数对其进行优化,既可以实现非线性的要求,又可以实现梯度的微小更新。将所提的两种推荐算法与几种效果良好的算法进行对比实,对实的结果进行分析,结果显示基于用户复购行为的协同过滤推荐算法的平均绝对误差约为0.705,与原始的基于用户的协同过滤算法相比,误差降低了约1.4%,而基于神经网络的Adaboost推荐算法的误差降低到0.686左右,明显优于其他算法,也验证了所提推荐算法的优越性。