近年来,我国电子商务和多媒体短视频数据使用量持续增加,网站个数和商品种类飞速增长,在这纷繁复杂的海量数据中如何高效筛选信息已经成为当前网络服务界研究重点。传统的搜索引擎着重静态网络技术,而忽视对用户动态信息变化的研究。为了平衡庞大的数据量和复杂的用户需求,作为连接信息与用户载体的个性化推荐系统应运而生,该系统可以帮助用户从数据库中提炼出关键词,有效地缓解信息过载问题,智能化地分析出用户需求。本文通过以上的分析,针对个性化推荐系统中的算法做了以下几个方面的研究,主要工作如下:（1）针对用户显性评分稀疏问题,提出修正用户——项目评分矩阵。传统的协同过滤算法已经无法解决用户评分矩阵稀与评分数据时效差异等问题,因此本文利用遗忘函数循序渐进的特点设立时间阈值,对用户评分进行分类与修正,解决用户评分随时间动态变化的问题,减少了评分误差,进一步改善了评分矩阵稀疏的问题。（2）针对用户隐性行为容易被忽视的问题,提出一种基于标签下兴趣建模的方案。现有的协同过滤算法更多的关注用户显性评分数据,而忽视了对用户隐性行为的挖掘,限制了推荐算法的作用效果。本文结合用户兴趣动态变化的特点,提出基于用户兴趣与标签的方式挖掘用户隐性信息,利用用户对标签标注的时间与频次,度量用户兴趣值的大小,权衡长短期兴趣在推荐算法中的作用,解决对用户隐性信息的挖掘与用户兴趣动态变化的特点,使个性化推荐系统具有更广的适用性。（3）流行度偏差是导致传统推荐算法准确率下降的重要因素。本文提出一种基于项目流行度的方案,通过设立流行度惩罚值,降低热门商品对推荐算法的作用,减轻因流行度差异对相似度计算带来的影响,从而提升个性化推荐系统的性能和精度。