随着互联网技术的快速发展,“数据爆炸”成为炙手可热的问题,在海量的选择中锁定最符合自己心目中的标准的选择越来越困难。推荐系统作为解决这一问题的重要手段能够通过用户的历史行为和社会行为获取用户的偏好,并在海量数据中找到用户最有可能“感兴趣”的推荐给用户。但是基于用户历史评分数据进行预测会出现数据稀疏性和冷启动以及个性化推荐的问题。文本针对这两个问题展开研究,提出了两个有效的解决方案:提出一种基于信息熵的关联规则个性化推荐算法。首先本文针对当前的关联规则预测评分受热门项目影响的问题,引入标准偏差值,对热门项目的评分信息进行加权,来减少热门项目产生的过多的关联规则所带来的影响。并通过对Apriori算法对强关联规则进行拆分,得到与指定用户相似的用户集合从而进行评分的预测。在预测评分的过程中利用信息熵的思想,通过增大用户小概率评分的权重,使评分更符合用户的喜好,从而达到个性化评分的目的。提出一种基于聚类和隐语义模型的推荐算法。为了解决数据稀疏带来的问题,本文首先利用隐语义模型对用户-项目矩阵进行填充。利用模糊C-聚类对用户进行聚类,得到若干个用户簇。在对指定用户进行推荐时,首先寻找与指定用户最相似的簇,并在簇中寻找与指定用户最相似的用户,利用与指定用户之间的相似性作为权值计算指定用户对未知项目的预测评分。同时为了使推荐算法达到个性化推荐的目的,提出了用户评分偏置和用户项目类型偏好,利用模糊聚类得到基础评分,并将用户评分偏置和用户类型偏好结合起来,并利用多元线性回归计算每一部分的比重,得到最终的评分。实验结果表明,本文提出的算法具有更好的效果。在本文实验中选取RMSE和MAE作为衡量推荐算法准确性的指标,并将本文提出的推荐算法和其他的推荐算法在Movielens数据集上进行测试与比较。结果表明,本文提出的推荐算法的推荐效果更好。