随着互联网的快速发展和电子商务应用的不断深化，大型网上购物系统越来越多。为了提升市场竞争力，推荐系统被引入电子商务中。基于用户和基于项目的协同过滤推荐系统得到了广泛的应用。近年来，大型网上购物系统的商品空间和用户空间迅速增长，用户评分数据却极端稀疏，这种情况给推荐系统带来了新的挑战：如何在稀疏的数据空间上做出实时的、高质量的推荐。结合协同过滤与基于内容的信息过滤的算法可以解决这个问题，但是这些算法需要预先得到项目的内容信息或者用户的个人信息，而这些信息在很多推荐系统中是无法获得的。　　 本文研究了基于项目的个性化推荐技术，提出了在无法得到项目的内容信息和用户个人信息的情况下，提高推荐质量的一种基于项目的推荐算法-IBRA算法。首先分析用户评分数据矩阵，利用用户筛选的思想计算出不同项目之间的相似度；然后利用项目之间的相似度为用户做出推荐。为了提高推荐速度，在IBRA算法的基础上提出了一个简化的实现模型，主要思想是：利用IBRA算法预先计算项目之间的相似度，在内存为每个项目保存与其最相似的项目集合S；做出推荐时，先找到目标用户评分项与项目集合S的交集，然后利用此交集计算目标项目的评分预测值；最后，通过离线计算的方式定期更新预保存的数据。通过这种方法可以在大型Web系统达到实时推荐的效果。　　 最后，在公开的数据集上对本文提出的算法和简化的实现模型做了较为全面的实验验证。分析表明，IBRA算法能够有效提高信息推荐的质量；本文提出的模型通过预计算项目之间的相似度并为每个项目保存小部分的相似项目，可以达到推荐质量和推荐实时性的一个折中。这个模型可以应用到大型Web系统中。