随着大数据时代的到来,当今时代每天都有大量的数据产生,如何使这些信息得到有效的利用是当前的主要问题,上世纪九十年代推荐系统应运而生,其通过对过往信息的整理与分析,可以从海量的信息中快速的找出用户所需要的信息,使得用户得到个性化的推荐,从而不断提高用户的忠诚度.推荐系统作为信息处理系统大致可以分为:基于内容推荐,协同过滤推荐和基于模型推荐三类.当前主流的推荐算法为协同过滤推荐算法,协同过滤算法又含以下三种类型,一种是基于用户的协同过滤,另一种是基于项目的协同过滤,最后一种是基于模型的协同过滤.2005年Dianl lemire提出了一种slope one的协同过滤算法,该算法具有算法简单,易于实现,效率高准确性高等优点,但是slope one算法并未考虑用户之间的个性差异.不得不承认每个人都有自己的个性,所谓的相似也是指在某一方面的相似,正因为如此,slope one算法以整体的相似差异来预测用户在某特定方面的差异时会产生很大的误差.以推荐电影为例,如用户A喜欢看的电影类型为:科幻类和武打类,而用户B喜欢看科幻类,爱情类的电影,当我们预测用户B对科幻类电影的评分时,需要计算用户B与用户A的差异,用户A和B共同评价的非科幻类电影的差异是未知的,因为我们只知道这两名客户都喜欢科幻类,所以在使用slope one算法计算两用户的差异时其非科幻类的电影评分都可能造成误差.因此本文提出了个性化的slope one推荐算法,其方法就是在预测用户b对科幻类电影的预测时,只计算用户A和B在科幻类的电影上的差异,尽可能的减少噪声,使得预测更为准确有效,同时也减少了模型的运算量,提高了运行速度,并且使用动态更新的方式,使得推荐信息的实时变更,做到了推荐算法的准确性,有效性和实时性.