近年来,随着大数据技术、人工智能的高速发展,推荐系统已经融入到人们日常生活的方方面面。个性化推荐也受到了学术界和工业界的高度关注,各类优秀的研究成果层出不穷。本文基于主成分分析方法（PCA）,分析了不同推荐算法的相似性矩阵中隐藏的数据特征,并将其用于改进推荐算法。具体的研究内容如下:（1）基于数据特征研究的改进协同过滤推荐算法。首先,通过分析相似性矩阵的特征向量的贡献率以及特征值的分布情况,发现绝大部分特征向量上包含的信息量很少,而最大特征值对应的特征向量中包含了最多的信息量。接着,本文研究了最大特征值对应的特征向量的绝对值与对象的度之间的关系,发现这两者正相关。于是,本文提出了改进推荐算法的一般函数形式,并用来改进不同的推荐算法。在四个推荐数据集上的实验结果显示,改进后的推荐算法均表现出了更好的推荐性能,而且能够有效提高冷门对象的推荐准确度。另外,本文还发现当历史用户评分信息减少时,改进后推荐效果最好的I＿HHM算法和I＿BHC算法仍能保持不错的推荐精度。这说明,这两个算法能够有效缓解稀疏的历史评分信息给系统带来的不良影响,具备一定的可靠性。本文提出的改进算法的一般形式中没有参数依赖,在推荐系统的实际应用中具备一定的优势。（2）优化基于数据特征相似性的改进协同过滤推荐算法。由于数据集和推荐算法的选择会对推荐结果的准确性、多样性和新颖性产生影响,本文基于改进推荐算法的框架,提出了一种优化算法。优化后的P＿HHM算法和P＿BHC算法的函数形式中存在两个可调参数,于是,本文采取了在算法本身最优参数的基础上,再对另一个参数进行寻优的方法。最后,在四个推荐数据集上测试后发现,优化后推荐算法的推荐准确性、多样性和新颖性均有进一步的提升。优化后的算法使得推荐列表中的热门对象和冷门对象分布得更加均匀,更好地平衡了推荐准确性和多样性,不仅能够精准预测用户的偏好,而且还能有效地减少用户因类似的推荐而产生厌倦的情况的发生。综上所述,本文通过挖掘推荐算法的相似性矩阵中隐含的数据特征,发现最大特征值对应的特征向量的绝对值与推荐列表中对象的度之间的联系,从而对协同过滤推荐算法进行了一些改进和优化。实验结果显示,改进优化后的算法能有效提升推荐性能。