推荐系统是近年来大数据科学领域的热点问题之一,与之相关的研究不断涌现。本文研究了推荐系统相关的一些算法与模型,主要对决策树进行了研究。本文首先介绍了推荐系统的相关背景和研究现状,设计推荐系统时需要考虑的属性,以及个性化推荐系统的评价体系。其次,分析了推荐系统建模时会用到的特征变量,比较了基于用户和基于物品的最近邻推荐两种协同过滤算法。在对决策树的研究中,有别于以往的决策树划分方式,本文给出了决策树一种新的划分方法。该方法着眼于每次划分的步数,而不是专注于信息熵增加的标准,是一种多层同时划分方法。该方法同样是以获得最大信息量为最终目的,但不是以单步获得最大信息熵增加为标准,而是多步划分之后的信息熵增加为标准。因此,本文提出的决策树构建方式将条件分布纳入考虑范围,从而有较大概率得到多步划分之后更大的信息增益。最后,本文使用了个性化推荐方面的数据集训练决策树,并与传统标准构建的决策树进行了比较,新决策树模型在节点规模,最大深度,以及预测准确率方面具有更高的效率。