随着互联网的迅猛发展,爆炸式的结果呈现与狂轰乱炸式的广告投放使得人们淹没在海量信息库中变得无所适从。随着信息过滤技术的不断发展,这种内容呈现方式正在逐渐被精细化、个性化推荐的方式所替代。个性化推荐对人们的网络消费、网络社交活动进行追踪分析,进而从中挖掘出对应用户的潜在兴趣与需求。在网络购物网站中,个性化推荐能够有效帮助用户进行商品发现与选择。对于商家而言,谁先个性化,谁就具有用户话语权和营销优先权。个性化推荐相关技术中,以协同过滤技术的推荐效果最为理想可靠。但是伴随着移动互联网的快速普及,人们几乎是人手一部智能终端,人们使用网络的生活场景更加丰富,造成网络用户以及资源的数据量的不断涌入与迅猛增长。这使得传统协同过滤算法不仅面临着经典的数据稀疏、冷启动等难题,还面临着用户兴趣挖掘分析的挑战。针对传统协同过滤算法没有很好地将用户本身的兴趣纳入算法考虑当中这个问题,本文提出用户兴趣度以及用户间兴趣差异熵这两个概念,旨在将用户本身的兴趣这一个性化推荐要素纳入算法考虑当中。基于这两个全新的度量标准,本研究提出了一种改进的基于用户间兴趣差异的协同过滤算法;此外,还进一步通过借鉴0-1背包问题求解来改进传统的用户相似性计算方法,提出了一种改进的基于用户兴趣本身的协同过滤算法。实验结果表明,本研究提出的两个改进的算法能更准确地刻画用户本身的兴趣,同时还有效缓解了数据稀疏性问题,从而提高了推荐算法的推荐准确度。最后我们通过Movielens的数据集进行了实验验证,将本研究提出的改进的基于用户兴趣间差异以及基于用户兴趣本身改进的算法分别与传统的基于用户、基于项目的协同过滤算法进行比较,实验证明:本研究提出的算法生成的推荐结果具有更好的精准性。