随着互联网技术的发展,网络上的信息数量呈指数增长,海量信息同时呈现在用户面前,出现了著名的“信息过载”现象。在这样的背景下个性化推荐系统应运而生,个性化推荐系统通过分析用户的资料或者历史访问记录,为用户推荐其可能感兴趣的信息。目前个性化推荐系统已经成为解决信息过载问题的最有效的工具之一,并且已经成功应用于很多网站中。本文主要从个性化推荐系统的应用场合、优缺点、主要算法、框架等方面进行了详细地介绍,并在以下几个方面进行了创新：首先,引入了非负矩阵分解的矩阵分解方法,并将该方法与协同过滤推荐算法中基于项目的协同过滤算法和基于用户的协同过滤算法进行结合,来减少用户评分矩阵中噪声的干扰,提高算法的精准度并减少算法线上运行时间。为了进一步提高算法的覆盖率,将两种方法进行融合。事实证明,融合后的算法虽然在精确性上有较小的损失,但能够大大提高覆盖率,有利于“长尾”的发掘。其次,提出了一种通用的推荐系统框架,并按照外围架构、推荐系统架构、推荐引擎架构三个层级介绍了该框架的主要模块。该框架的优势在于它的多引擎结构,各引擎之间结构独立,可以根据算法灵活调整,本文详细介绍了结合非负矩阵分解的协同过滤推荐算法使用的引擎框架。系统能够根据具体的应用场合来灵活决定使用哪种推荐引擎。