随着互联网的普及,人们在海量的各类信息资源中很难找到自己需要的信息,往往会陷入信息过载的困境。在这样一个大背景下,个性化推荐系统应运而生。个性化推荐系统可以根据已有的用户信息,向目标用户推荐其可能感兴趣的信息,可以帮助用户更方便、更快速地找到所需的信息。而协同过滤技术是个性化推荐系统中使用最广泛和应用最成功的技术之一,对它进行研究在理论和应用上都有非常重要的意义。本文首先对个性化推荐系统的基本知识以及主流推荐技术进行研究,然后分析了协同过滤推荐技术中应用最广泛的基于用户和基于项目的协同过滤算法,接着引出这两种协同过滤推荐算法的瓶颈问题:数据稀疏性、冷启动、扩展性问题,并总结了几种解决方法。本文分别从两个方面针对基于用户协同过滤算法进行改进,针对数据稀疏性的瓶颈问题提出了改进算法ICF-AD:其一是通过关联分析对用户-项目评分矩阵进行项目之间关联关系的挖掘,并利用关联关联对用户未评分项目进行预测评分,以实现对用户-项目评分矩阵补值的目的,降低数据稀疏性;其二是提出“领域”的概念,在领域内计算用户之间的相似性,既保证了相似度计算的可靠性,又降低了算法的复杂度,提高了算法性能。本文不仅对改进算法ICF-AD进行了理论分析,阐述其可行性,而且给出了改进算法在标准数据集上的实验结果,并对ICF-AD与其他两种基于用户的协同过滤算法进行了相关性能的比较分析。实验表明,改进的算法ICF-AD不仅能够有效缓解数据稀疏性问题,并且提高了算法性能,推荐质量得到了增强。