随着互联网技术的快速发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。在这个时代，信息的生产者和消费者都遇到了极大的挑战:信息生产者渴望自己生产的信息脱颖而出，受到用户的关注。信息消费者渴望从大量信息中找到自己感兴趣的信息。个性化推荐系统是解决这一矛盾的重要工具，它通过建立用户与商品之间的二元关系，利用已有的选择关系向用户推荐潜在的感兴趣的商品，进而进行个性化推荐。现在各Web2.0网站已广泛使用各种推荐技术，但随着应用的加深及网站规模的不断扩大，推荐系统面临着各种各样的挑战。　　 本文总结了个性化推荐领域的国内外研究现状，分析了已有方法的优缺点。针对现有推荐算法的多样性不足等缺陷，在传统协同过滤算法的基础上，提出了新的算法。该算法可以有效提高推荐的多样性、新颖性，并覆盖更多的商品种类，更好地满足用户的个性化需求。具体来说，本文的主要工作如下:　　 (1)总结归纳了目前涉及推荐算法多样性的相关知识。介绍了相关的评价指标、多样性与精确性之间如何权衡、提高推荐多样性的常用方法。深入分析了两种协同过滤算法的推荐原理及推荐步骤，分析它们的优缺点，以及常用的优化方法。　　 (2)针对传统协同过滤算法缺乏多样性、新颖性等问题，提出了新的算法。该算法降低了活跃用户、热门商品对计算商品相似度的贡献，并利用贝叶斯理论分析用户对商品特征属性的喜好度。在计算商品相似度时，考虑用户对商品特征的喜好度，在此基础上计算目标商品的最近邻居。最后通过实验比对结果验证算法的有效性。　　 (3)为了提高改进算法的实用性，设计并实现一种个性化的电影推荐系统。利用开源工具Taste定制实现了多个推荐引擎，实现了推荐策略的可配制化。