互联网在90年代开始兴起,影响着人们获取信息的方式,人们从纸质上获取资源的方式逐渐转移到Internet上。这种方式能更方便的获取信息,更便捷分享和传播知识,更方便的生活工作。互联网的发展带来了信息的极度繁荣,特别是目前移动互联网已经和每个人的工作、生活仅仅的捆绑在了一起,如何从众多纷杂的信息中找出自己感兴趣的信息呢?这其实是信息过载问题。推荐系统作为高效搜寻有用信息的方式,可以从信息的海洋中挑选出最符合需求的资源,且以合适的形式呈现。从现实的情况可以看出,对高效个性化推荐系统研究的需求不仅很紧迫还具有非常重要的意义。众多学者在推荐领域的研究已经深耕多年,如今被广泛熟悉、大量采用的推荐系统大多是基于协同过滤的推荐系统。论文详细从推荐算法的角度对个性化协同过滤推荐算法进行优化,使推荐更精确高效。对于个性化的协同过滤推荐算法,最主要的部分就是对用户之间或用户项目之间的相似度量化建模。当前使用的协同过滤推荐算法对相似度的数字化衡量,使用基于用户对项目的评价分数值,再根据皮尔逊相关系数、余弦相关系数或杰卡德相关系数等计算出相似度。因为传统相似度计算方法中只涉及到用户对项目的评分,忽略了很多重要的且对推荐结果准确度有影响的数据,致使推荐的精确性仍不甚理想。为了弥补传统推荐算法对相似度计算的不足,本文提出的计算相似度方法不仅包括用户对项目评分,还加入用户的判断力因素和用户年龄特征等多种信息。在改进的相似度计算方法中,考虑加入一些传统推荐方法中忽略的数据,以提高推荐系统的推荐效果和精准度。在计算相似度和进行预测评分时,本文还考虑了用户之间的信任程度,改进了基于信任度的协同过滤推荐算法。改进的推荐算法将用户之间的信任度融合到传统的推荐算法之中,使预测评分更加精确。针对文章中提出的两种推荐算法的改进,分别设计四组对比试验,将改进的算法和近期经典文献中提出的推荐方法的结果进行对比。根据评价指标的比较可以看出,本文提出的改进个性化协同过滤算法能够有效提高推荐精确性、改善冷启动问题。