在计算机技术迅猛发展的今天,人们已经可以很好地应用计算机领域的诸多知识来解决许多日常问题,并且可以通过建模的形式,将问题抽象概括,从而得心应手的解决一类甚至多类问题,做到真正的触类旁通。然而大量数据的采集使得很多未曾被关注到的潜在信息显现出来,然而这样庞大的数据量也造成了诸多问题,如信息超载、资源浪费等等。这些问题造成了无法精准得到所需信息的困扰,为了更好地解决这样的问题,个性化推荐系统应运而生。推荐系统通过大量采集用户信息整理再分析的方式,了解用户的喜恶偏好,进而考虑将其分类归纳特点,再形成推荐,使得用户能够更便捷的实现信息的获取以及利用。首先,本文详实的介绍了推荐算法的发展环境以及发展现状,将当前研究的整体背景进行阐述。其次,对已有的经典算法进行描述及实现,阐明推荐系统的工作原理,将推荐算法分类,说明不同的推荐算法间有着明显不同的推荐侧重,并且它们也有着难以避免的缺陷。在这个思路上提出数据预处理方法来对经典算法的缺陷进行优化,提出两种并列关系的评分预处理算法优化。再次,文中在针对经典Slope One推荐算法进行深入学习后,提出了基于关联规则策略加权的Slope One推荐算法。该算法能够一边改善用户评分数据稀疏性问题、一边处理项目间关联性差的问题,得到推荐结果更准确、与用户需求更加契合的推荐结果。从现有的推荐系统应用情况来分析,在机器学习领域,推荐思想在许多算法方向得到体现,如数据挖掘领域中,对数据的归类再分析正需要一个良好的出口来更加充分的使用数据展现的关键信息。单一使用的推荐算法还未对资源达到最大限度的利用,可以通过迁移学习的方式,更多的应用于智慧生活建设之中,使得智慧生活构想的相关各个领域有更好的协调性,使得构想化为现实,真正的将智慧理念实现,将人类社会的发展推动到更向上的台阶。