随着互联互通技术的高速发展和智能移动终端的广泛普及，人类已经进入了信息爆炸时代，信息量的指数级增长导致了信息过载问题的产生。如何在浩如烟海的互联网内容中找到真正需要的信息，特别在电子商务中从琳琅满目的商品列表中挑选心仪的产品，一直是热门的研究内容。分类目录仅提供了费时费力的树状条件筛选功能，搜索引擎技术的出现为人们提供了基本的信息查询方案，而个性化推荐系统则提供了智能化和个性化的信息过滤机制。个性化推荐系统根据用户的浏览历史记录推测用户的兴趣爱好，并据此将可能受喜好的资讯或者商品推荐给用户。协同过滤是目前个性化推荐系统中部署最广泛、效果最成功的推荐算法，有着预测准确率高、推荐覆盖度高、可以处理复杂结构数据等优点，但是面临数据稀疏和算法可扩展性等问题的挑战。　　 在基于协同过滤的个性化推荐系统中，将用户对于项目的偏好量化为评分数据从而构建（用户—项目）评分矩阵，根据评分矩阵预测用户对于未知项目的评分，将预测评分较高的项目推荐给用户。由于推荐系统中用户基数较大且项目总量庞大，用户评分过的项目在总体项目中比例较小，同时存在着有些冷门项目几乎无人问津的情况，导致（用户—项目）评分矩阵稀疏，推荐算法在相似性计算、近邻空间选择和结果预测阶段精度受到影响。为了克服数据稀疏性问题，研究人员提出诸如缺失值填充、预测结果融合等方法。本文的主要工作内容如下:　　 1.提出差异化的个体相似性计算算法　　 传统的个体相似性计算算法无视用户和项目的个体性质区别，对用户相似性和项目相似性采用了相同的计算方式，这显然是不合理的。通过分析用户和项目的个体特性得到他们的数据特性，采用针对性的计算方式能够提高用户相似性和项目相似性的计算精度，降低数据稀疏性问题对协同过滤算法性能影响。　　 2.基于预测置信度对多个预测结果进行自适应局部融合　　 预测结果融合算法是指对未知评分使用多种方式进行预测，将多个预测结果进行整合得到最终预测结果，能够提高整体预测精度。由于评分矩阵的不规则，考虑不同的（用户—项目）评分项进行预测时能够信赖的预测方法的差异性，计算预测方法对每个未知评分的预测置信度，根据预测置信度进行自适应局部融合，能够取得比传统的全局融合算法更好的整体预测精度。