当今互联网飞速发展,人们对网络的依赖使得互联网的身影无处不在,无论在生活、工作还是学习中。这种飞速发展导致各类信息膨胀式出现,信息过载问题日益加剧,人们面临的问题是如何在这庞大的信息群中找到自己真正感兴趣或有价值的信息,因此出现了个性化推荐系统。推荐系统的核心是推荐算法,一个好的算法能够使用户对推荐系统产生好的用户体验,那么对于用户来说,就需要一种技术能够明白自己的兴趣偏好,并准确的给出推荐。鉴于以上需求,本文将在传统基于项目的协同过滤算法基础上,针对数据稀疏性、评分矩阵单一化及推荐准确性等问题对算法进行改进。首先对评分矩阵进行改进,考虑到不同项目间存在的关系会对用户的选择产生影响,构造项目间影响度矩阵来调整原始的用户评分矩阵,降低矩阵单一化程度,然后对于稀疏度较高的矩阵,建立BP神经网络预测模型进行评分预测训练,得到最佳预测值进行空缺评分的填充,解决数据稀疏性的问题。接下来引入信息计量学中的信息老化理论,通过整合用户的兴趣和信息的时效性参数对传统皮尔逊相似度计算公式进行调整,并对产生的初始推荐列表结合信息时效性进行调优,过滤掉会对用户选择造成干扰的过期信息,得到高时效性的推荐结果。最后,融合上述两个算法的改进提出一种混合推荐算法,使其更好的融合二者的优点,能够降低矩阵的稀疏性并精确的计算项目间相似度,生成更加符合用户需求的高时效性信息推荐给用户,使推荐系统的质量得到进一步提升。