21世纪是个信息化时代,我们面临着信息过载的问题,因此要获取到对我们有价值的信息变得非常困难,虽然搜索引擎在一定程度上能够缓解这个问题,但是这只是相对于需求明确的用户而言,对于一些连自己都不清楚自己想要什么的用户来说在这巨大的信息库中很容易迷失了方向,与自己感兴趣的信息一而再的擦肩而过。就在这种背景下个性化推荐系统产生了,但是随着用户数量和信息种类的增加,对于个性化推荐系统的挑战也越来越大。本文详细的介绍了个性化推荐系统的相关理论知识,其中有个性化推荐系统的背景和研究现状,还有推荐系统的分类和实现过程。推荐系统的分类中重点介绍了协同过滤推荐算法,包括协同过滤算法的流程和分类以及面临的挑战。经过对协同过滤算法的深入研究,发现该算法有不足之处,可以进行优化改进,这是本文研究的重点。本文创新点,提出了基于关注度的协同过滤推荐算法,该算法主要是对基于用户的协同过滤算法的用户相似性计算方面的优化,在用户相似性计算时加上用户兴趣偏差度作为权重,提高相似性计算的准确性,从而提高推荐系统的推荐准确度。最后,本文通过实验对改进的算法进行了验证,实验中选择MAE值作为实验标准。实验结果显示,基于关注度的协同过滤推荐算法提高了推荐系统推荐的准确度。