伴随着Web 2.0和大数据时代的到来,用户面临着日益严重的信息过载问题。为了满足用户更加多元化和更加个性化的需求,基于显式反馈的个性化推荐技术得到了广泛的研究和应用。但显式反馈的丰富度较低、获取的方式有限、获取的难度较大,影响了推荐效果。所以,获取成本更低、应用场景更广、数据规模更大的隐式反馈正逐渐成为用户个性化推荐的研究重点。对于不同的用户来说,隐式反馈对其喜好进行推测的能力是不同的。因此,本文在现有对隐式反馈研究的基础上,提出了一种基于隐式反馈权重的用户个性化推荐方法。一方面,本文提出了隐式反馈权重的概念,用来衡量隐式反馈对用户喜好进行推测的能力。根据用户的行为信息和隐式反馈间的相互作用,计算隐式反馈的权重。再将隐式反馈权重与标签结合,构建出用户的兴趣模型后,进行基于隐式反馈权重的个性化推荐。另一方面,本文进一步将基于隐式反馈权重的推荐方法与基于用户属性的推荐方法混合,用来缓解推荐不全面的问题。选择合适的用户属性作为划分依据,根据相关用户标记的标签,得到该属性的兴趣向量,进而得到基于用户属性的兴趣模型。再与基于隐式反馈权重的兴趣模型线性组合,进行混合推荐。最后,本文在Last.fm数据集上进行了验证和对比实验。