随着互联网的发展,人们获取信息的方式更加地丰富,获得的信息量也在急剧地增长。海量信息在满足需求的同时,也为人们带来一些困扰,大量信息中的无效信息一方面干扰了人们对正常信息的判断,另一方面也降低了人们对信息的处理效率。推荐系统是一种较好的应对海量信息的解决方案,它可以通过一定的方式对信息进行处理,将用户真正感兴趣的结果推荐给用户,采用这种方式可以提升用户对需求信息的获取效率。协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,许多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化。考虑到上述问题,本文提出了改进后的协同过滤推荐算法。本文提出的算法主要融合了相似度传递、用户兴趣迁移、矩阵分解技术等用以解决上述问题。首先,本文提出了基于项目相似度传递的协同推荐算法,该算法对相似度计算方法进行了改进,首先对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,将其应用到项目的评分中。其次,本文提出了基于用户兴趣迁移的隐语义模型推荐算法,该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正,然后再使用梯度下降法来求解。最后,鉴于以上两种算法都存在着不足,提出两种融合方案,对以上两种算法进行整合:1)利用在协同算法中加入隐语义模型的方式,通过形成隐形的特征向量以完成相似度计算的任务;2)采用线性融合的办法,把item-based协同过滤算法与隐语义模型算法进行融合。试验对比的结果表明,后一种混合推荐算法的推荐效果更好,因为它可以对丢失的信息进行补充,对于用户兴趣的变化能够较好的适应,同时大大弱化了数据的稀疏导致的一系列负面影响。我们把改进后的混合推荐算法应用在电影推荐系统上,电影推荐系统包含三个子系统:第一、电影推荐子系统;第二、后台管理子系统;第三、用户子系统。其中电影推荐子系统首先采集并分析用户数据,搭建用户的爱好模型,然后使用混合推荐方法把用户喜爱的电影推荐给其他人。