近年来,随着网络发展的多元化,信息过载问题日益严重。分类目录和搜索引擎是早期出现的解决信息过载问题的两类主流方案。但是随着互联网规模的不断扩大,分类目录网站只能覆盖有限的热门网站,而搜索引擎则需要用户主动提供关键词来寻找信息,在用户不清楚自己需求的情况下具有很大的局限性。这时,个性化推荐技术应运而生。个性化推荐技术可以分析和挖掘用户潜在偏好,是解决大数据时代信息冗余问题、提高人们信息获取的效率和质量的重要手段。本项研究工作研究了基于评分预测的个性化推荐算法,并从基于邻域和基于学习两个方面进行算法的优化。这里的“评分”指广义的评分,即用户对物品的偏好分值,不只是狭义的用户打分。实验结果表明,对比优化前的算法,本项研究工作实现了更高精度和鲁棒性的个性化推荐。本论文的研究内容和贡献包括以下方面:1.在基于邻域的评分预测推荐中,针对传统的基于用户的推荐算法中存在的不足,如忽略用户评分归一化的必要性、以及用户相似度计算中加权用户属性而导致推荐不准确等问题,本项研究工作以用户相似度计算的改进为中心,进行用户评分归一化、用户评分的Jaccard相似性计算方法改进、加入用户属性相似度,并与用户评分相似度线性结合,最终提出了一个优化的基于用户的协同过滤推荐算法O-recommend。并通过实验,验证了用户综合相似度计算中用户评分归一化和评分相似度计算方法优化以及加权用户属性三点改进的必要性,并证明改进算法提高了推荐精度。2.在基于学习的评分预测推荐中,针对传统推荐算法主要基于显式反馈信息,即用户对商品的独立选择进行预测的方法中存在的不足,本项研究工作提出了一种基于多类型隐式反馈的推荐系统MIF,将商品对而非单个商品作为用户兴趣建模的基础,引入商品比较信息这一重要的隐式反馈信息,基于贝叶斯的排序模型来建模商品间的比较关系,并对不同类型的隐式比较行为赋予不同的置信度,最后通过实验验证了改进算法的有效性。