随着网络碎片化时代的出现,信息推送服务成为计算机领域的热门研究,用户如何能阅读到真正满足其需求的信息是迫待解决的关键问题。针对传统的协同过滤推送算法存在的用户兴趣矩阵稀疏和新商品的冷启动问题,本文提出了基于混合推送模式的信息推送算法。算法的中心思想是采取BP神经网络将两种协同过滤推送算法融合,使其优势互补,推送结果更加精准。并且在推送过程中引入本体,通过本体的概念层次结构关系和概念之间的关系与用户兴趣词产生关联,进而对用户的兴趣词进行词义扩展,使推荐内容更为丰富。本文提出的混合推送算法分为三个重要部分:首先是用户兴趣模型的构建,用户兴趣模型是对用户爱好的准确描述,是服务推送过程中的重要环节。在构建用户兴趣模型时考虑到用户的兴趣不是一成不变的,所以在基于向量空间的模型表示中加入了依据时间变化的兴趣状态参数,确保构建的兴趣模型准确反映出用户当下的兴趣爱好。第二步是协同过滤推送算法与本体的结合,在传统的协同过滤推送过程中引入本体对用户的兴趣词进行词义扩展,丰富了个性化推送的内容。最后是BP神经网络的融合,将两种协同过滤推送算法得出的结果作为BP神经网络的输入,经过神经网络预测后得到最终的推送结果。实验采取绝对平均误差(MAE)和覆盖率(F1)作为评估指标。经实验结果表明,本文提出的混合推送算法较为有效的解决了基于用户的协同过滤推送算法中存在的用户兴趣矩阵稀疏的问题以及基于项目的协同过滤推送算法中存在的新商品的冷启动问题。