伴随着web2.0时代的到来，网络交互性日益提高，现如今用户不再仅仅是被动的接收信息，而是越来越多的主动参与到互联网内容的编写当中。最近几年，网络信息量呈指数级上升，这些信息由不同的人贡献出来，分布在世界各地，这增加了用户搜索信息的难度。如何在海量的信息世界里，快速过滤，发现自己感兴趣的信息成为当前理论与实践的研究热点。大量的研究证明应用推荐系统可以解决这一问题。在现已应用的推荐系统中，需要推荐的项目非常多，并且用户数量日益庞大，系统必须要面对数据庞大并且极端稀疏的困境，这导致项目推送过程效率和精度的低下。因此，如何通过提高推荐系统的推荐质量和效率来提升服务质量，成为亟待解决的问题。推荐系统中尤其重要的一个环节就是算法的选择，算法在某种程度上能够决定此系统的效率和性能，因此推荐算法的选择决定了系统的质量。传统的协同过滤（Collaborative Filtering，以下将采用简写CF）推荐算法局限于用户-项目评分矩阵，几乎没有融入评分信息的具体内容属性。在数据极端稀疏的情况下，传统推荐算法在推荐个性化方面存在严重不足，数据稀疏性引起的近邻查找精度不高，这严重影响了系统的推荐效果。针对这一问题，本文进行了如下研究：首先，通过计算统计发现了传统近邻查找方法的不足:由于数据的极端稀疏引起传统算法中误差较大，因此本文提出了基于相似用户行为的近邻计算方法。其次，改善了在数据稀疏的前提下，传统CF算法的推荐精度不高的问题。本文提出了将争议相似度与传统的CF算法相融合的优化算法。最后，通过实验发现，基于争议相似度和相似用户评分行为改进的CF推荐算法要比传统基于用户的CF推荐算法有明显的优化。