随着网络和计算机技术的迅猛发展和广泛普及，信息量变得巨大而复杂，人们很难从中快捷高效地筛选出自己所需的产品和信息。个性化推荐系统由此应运而生，通过收集用户的基本信息，建立数据分析模型，预测用户的潜在的需求，从而为用户推荐其感兴趣的且适合的个性化产品。个性化推荐系统还能够帮助商家分析用户的兴趣点，吸引客户，提高销售额。个性化推荐系统主要由输入模块、推荐算法模块和输出模块组成，其中，推荐算法模块是推荐系统的核心部分，如何高效地分析数据并对目标用户进行推荐成为整个推荐系统的重中之重。本文借鉴了协同过滤推荐算法中用户相似性的计算方法，得出产品间的相似性，并将其引入到基于热传导与物质扩散的混合推荐算法，提出改进的混合推荐算法。利用MovieLens电影数据集对算法进行测试，发现系统推荐给目标用户的产品的准确性、流行性和多样性都大幅提高。此外，本文对数据集进行了统计分析，发现大部分用户的兴趣点与产品的流行性之间存在着较大差异，因而在物质扩散算法中引入用户兴趣点的影响，为和用户兴趣点接近的产品赋予更大的权重。数据测试结果表明，基于用户兴趣点的推荐算法与物质扩散算法相比，在推荐的准确性、流行性和多样性方面均取得了更好的效果。