随着网络技术的迅速发展,互联网资源也越来越丰富。然而,伴随而来的也有信息过载问题。大数据时代要求信息处理要高效、快捷,但是传统方式如搜索引擎等尚存在诸多缺陷,正因为如此,个性化推荐系统逐渐兴起,成为缓解信息过载并提高决策效率的有效工具。协同过滤技术是个性化推荐系统的主要实现手段。稀疏线性方法是近年来提出的高效的协同过滤推荐算法,受到了学者们的广泛关注,但是该算法还存在一些缺陷,如对冷启动、稀疏数据等方面表现敏感等问题。本文针对稀疏线性算法存在的问题做了如下工作:1.针对稀疏线性模型中存在的不能计算没有被同一用户评分过的项目间相似度问题,通过分析稀疏线性方法的推荐流程,提出了基于相似用户集的稀疏线性算法,使用相似用户集合的概念来保持项目间的传递相似性。该算法在推荐的过程中同时考虑用户对推荐项目的兴趣以及用户所在的用户集合对项目的兴趣的信息。2.为了能够进一步提升稀疏线性模型的推荐准确度,提出了一种能够将用户历史行为信息与社交信息融入到稀疏线性模型的算法:基于社交关系的推荐算法。该算法的思想是通过共享评分矩阵与社交关系矩阵中相同的用户隐式特征来引导推荐的学习过程,使推荐能够同时考虑用户的历史评价信息以及社交信息。3.针对目前基于社交网络的推荐算法并没有利用用户的评分相似信息性的问题,提出了一种融合社交关系和用户兴趣的推荐算法。该算法通过从信任关系传递的角度来分析用户之间社交关系,同时考虑用户自身的历史评分偏好,以此作为依据向用户进行精准推荐。此外,为了验证本文提出的优化推荐算法的效果,本文对优化算法进行了对多维度的仿真模拟实验及分析。实验结果显示,优化的算法明显优化了冷启动和稀疏数据问题,有效缓解了信息过载。