随着Internet和信息技术的飞速发展,日益严重的“信息过载”和“信息迷向”问题助推了个性化推荐系统的蓬勃发展。现有的个性化推荐技术在一定程度上缓解了人们寻找自己喜好信息的压力和开销。本文通过对现有推荐技术尤其是推荐算法的深入分析,揭示了现有推荐算法的特征和局限性——难以满足目前大型推荐系统的高推荐精度和扩展性需求,并进一步归纳了推荐系统框架,说明了现有的推荐技术的瓶颈所在:用户兴趣模型的表示方法不科学以及相应推荐算法的低性能问题。本文接着重点在用户模型和推荐算法两方面提出了改进的方法。用户模型方面提出了利用机器学习算法来建立用户兴趣模型(UAM)的方法和过程。推荐算法方面提出了ICBD相似度计算方法与CFUPS协同推荐算法,分别改善了推荐算法的相似度计算精度和推荐结果的精度。进而,本文基于UAM兴趣模型以及ICBD、CFUPS方法提出了一种自适应推荐算法(ARA)。该算法以目标用户为中心,采用协同过滤的思想,基于UAM兴趣模型,对不同的用户自适应地赋予相应的推荐参数来为目标用户提供其最感兴趣的信息,进行个性化推荐。最后,通过实验分析来验证本文提出的算法的有效性,并且同其他主要推荐算法进行了对比。实验结果表明,本文提出的自适应推荐算法较传统的推荐算法在推荐精度和扩展性方面都有一定的改善。