随着互联网技术和电子商务系统的快速发展,网络上的信息数据开始呈指数型增长。面对网上海量的数据,人们越来越难以获取自己感兴趣的信息,这便是“信息超载”问题。为了解决这个问题,推荐系统应运而生,它能够根据用户偏好提供个性化推荐服务。目前,在众多的个性化推荐技术中,协同过滤推荐技术依靠其独有的优势,在电子商务领域得到了广泛地应用,但是传统的协同过滤算法存在冷启动、数据稀疏和可扩展性问题,如何解决这些问题一直是推荐系统领域研究的主要课题。本文针对协同过滤技术中的数据稀疏问题和用户兴趣迁移问题,主要研究了传统的协同过滤推荐算法、基于奇异值分解的协同过滤算法和基于用户兴趣迁移的协同过滤算法。首先,本文介绍了个性化推荐系统的发展背景,详细阐述了协同过滤推荐算法的基本原理以及常用的相似性度量方法,并简单介绍了推荐系统中几种常用的推荐评价指标。其次,针对用户评分稀疏的问题,深入研究了基于奇异值分解的协同过滤算法,着重介绍了算法的实现步骤与存在的问题,然后提出基于奇异值分解和项目属性的推荐算法,通过利用可知的项目属性信息提高项目之间相似度计算的可靠性。在Movie Lens数据集上进行实验,将改进的推荐算法与传统的协同过滤推荐算法、传统的基于奇异值分解的协同过滤算法进行对比分析。最后,针对用户兴趣可能会随时间变化的问题,提出基于用户兴趣迁移的协同过滤算法,在预测评分阶段为每个用户评分赋予一个时间权重,使得近期用户评分具有更大的权重。在Movie Lens数据集上进行实验,将本文算法与现有的基于时间权重的协同过滤算法和基于项目聚类的协同过滤算法进行比较,验证本文所提算法的有效性。