近年来,越来越多的用户形成了使用博客的习惯,然而由于网络上充斥着浩如烟海的信息,用户很难用传统的信息检索方式快速地找到自己想要的博文,因此博客推荐系统应运而生,它可以为用户提供个性化的推荐服务,因此有效地解决了“信息过载”与“信息迷航”问题.协同过滤是当今博客推荐系统中应用最成功的推荐方法之一,它利用一组用户已知的偏好信息预测另一组用户未知的偏好.在本篇论文中,首先指出了推荐系统所面临的问题,即只利用用户对物品的显式评分或隐式评分为每个用户产生推荐集,但没有在推荐过程中利用负反馈信息.此外,介绍了推荐系统的概念与应用和两种主要的推荐方法:基于内容的方法和协同过滤方法,并且介绍了每个方法的原理以及与他们相关的算法.随后提出了一种基于负反馈的协同过滤推荐算法,并解释了新提出的推荐系统的逻辑结构.用新浪博客的数据集对新方法进行了评估,实验结果表明,新提出的方法比传统的基于用户的协同过滤方法有更好的表现.