近些年来,随着信息技术的发展,电子商务领域积累了大量的数据,海量数据在为客户提供多样化商品选择的同时也带来了选择难的问题。推荐系统作为一种基于海量信息进行检索和筛选的个性化推送技术越来越受到人们的重视。它以客户的实际需求为中心,根据客户的历史行为数据预测用户的行为偏好,从而主动为客户提供个性化的数据信息服务。然而,在基于用户评分进行用户兴趣偏好建模的推荐系统中常常面临着一些不可避免的问题,如用户相似度计算精度问题、评分矩阵稀疏性问题。针对推荐系统中这两个常见的问题本文分别进行了探索,提出了一种新的计算用户相似度的计算方法,改善了传统相似度计算方法的不足;利用了物品的标签信息在一定程度上缓解了评分矩阵存在大量缺失值时不能很好的找出与目标用户具有相似偏好的用户的问题。具体来说,文中的贡献主要包含以下三个方面:(1)针对皮尔逊相似度在计算时遇到分母为0而相似度无法计算的情况,提出了一种改进方法,该方法能够根据用户评分情况适应选择合理的相似度计算方法。(2)基于mahout中已有的未知评分技术,结合评分项的标签信息提出了一种新的未知评分预测方法,该方法首先计算了用户对标签的兴趣分布,然后根据评分项包含标签的情况实现未知评分预测。(3)针对新提出的相似度计算方法和未知评分预测方法,结合mahout原有的方法进行了较好的集成。