随着网络的迅速发展,互联网给用户带来了大量的信息,满足了信息时代用户对信息的需求,但由于信息量的大幅增长,导致网络信息冗余问题严重,使得用户无法从大量数据中获取真正需要的信息。如何通过用户数据找到用户所需信息和商品是一个值得研究的问题,推荐系统为解决该问题应运而生。协同过滤推荐技术是目前推荐系统中应用最广泛的技术之一,主要思想是找到相似的用户或者商品进行推荐。SVD和Slope One算法属于协同过滤算法,能有效的实现推荐预测功能。但推荐系统中也存在大量文本数据未被有效利用,比如用户评论,用户标签等。而用户数据中的不平衡性,稀疏性等缺点是推荐系统的另一大问题。为解决这些难题,本文主要工作如下:第一,探索协同过滤算法中Slope One算法的原理,针对Slope One算法忽略用户之间相似关系的问题,通过实验,分析了不同用户相似度刻画的用户关系对Slope One算法预测精度影响,提出一种加权的用户相似度计算方法,引入用户关系,改进Slope One算法预测精度。第二,深入研究了SVD算法的原理,针对SVD模型,未考虑用户样本不平衡的问题,融合Slope One算法增强信息缺失用户数据,提出Slope-SVD算法。该算法在初始阶段对数据不平衡用户问题进行处理,同时也在一定程度上减弱了矩阵稀疏性的问题,增加了预测的准确性和算法的可用性。且因为Slope One算法简单、高效,所以该算法适用于在线等实时性要求较高的场景。第三,传统的协同过滤算法忽略文本标签数据。为解决该问题,融合Word2vec算法,将用户和电影文本标签融入本文所提出的Slope-SVD模型的训练过程,使得训练过程能提供更多有效数据,且根据每个样本中隐因子和文本标签因子提供信息量不一致的情况,加入权重向量进行选择。基于MovieLens数据集设计算法实验,通过对比不同算法的MAE指标阐明上述改进算法具有很好的预测精度。