大数据时代背景下,随着信息的数量和种类迅速增长,使得信息需要花费大量的时间寻找,以得到感兴趣或者有用的信息,出现信息过载问题。随着个性化推荐系统的出现,信息过载问题得到了缓解。近年来出现大量推荐系统的相关研究,由于矩阵分解技术的推荐准确率高、可扩展性强、运行速度快等优点,其迅速成为推荐算法领域中的研究热点。论文基于混合推荐算法的原理改进了传统相似度计算,从距离的角度考虑推荐问题,改进了概率矩阵分解算法,基于近邻推荐算法的思想改进了贝叶斯个性化排序算法。论文首先利用兴趣漂移因子和热门物品因子通过加权方式改进了Pearson相似度,利用奇异值分解算法得到了用户隐特征矩阵,通过余弦相似度计算用户的隐特征相似度,利用Hellinger Distance分析用户之间的评分分布相似度,并且以此作为改进的Pearson相似度的权重与隐特征相似度结合,提出了基于Hellinger Distance改进相似度的协同过滤算法(CFHPI)。通过实验,分别与传统的Pearson相似度、Jaccard相似度以及NCF算法进行对比,结果表明CFHPI算法的MAE达到了0.769,比其它三种算法最少降低了0.015,Recall值达到了0.187,比其它三种算法最少提高了0.011,证明CFHPI算法确实提高了用户相似度的准确性。论文进一步从距离的角度预测评分,通过用户特征向量与项目特征向量之间的距离度量用户对电影的喜好,并且基于近邻推荐算法的思想对用户评分的信任度进行了分析,为每个评分计算全局信任度。由此本文提出了基于距离和信任度的概率矩阵分解算法(DTPMF),通过实验,在两个数据集上分别与SVD、PMF和bias PMF算法对比,DTPMF在RMSE值分别达到0.915和0.867,比其它三种算法在Movielens＿100k上至少降低了0.013,在Movielens＿1M上至少降低了0.022,证明DTPMF在提高评分预测的准确性的优越性。为了更加精确的表示用户对项目的偏好,本文基于近邻推荐算法的思想,构建了用户近邻矩阵,并且结合原评分矩阵将用户对项目的偏好分为高偏好、中偏好和低偏好三类。根据划分的三类偏好为BPR算法构建三元组然后进行优化求解,本文提出了一种基于近邻矩阵改进的贝叶斯个性化排序算法(NBPR)。通过实验,在两个数据集上分别与BPR,MBPR和pop Rank算法进行对比,NBPR算法的Recall值分别为0.089和0.076,相比于其它两个算法在两个数据集上分别至少高出了0.017和0.013,Precision值分别为0.41和0.46,相比于其它两个算法在两个数据集上分别至少提高了0.017和0.012,证明NBPR算法在提高排序预测准确性的优势。