随着信息技术的快速发展和移动设备的普及,信息呈现爆炸式的增长,出现了“信息过载”和“信息迷航”的问题,如何快速准确的帮助用户挑选出其感兴趣的物品成为大数据时代面临的一个难题,推荐系统应运而生。协同过滤技术是推荐系统中应用最为广泛、成功的推荐算法之一,分析用户的历史行为,对用户提供个性化推荐服务。随着商业网站规模越来越大,用户评分的项目通常只有很少的一部分,用户评分矩阵非常稀疏,推荐质量下降。为了缓解稀疏性带来的影响,现有的解决方法主要是空值填补技术和使用新的相似性计算方法。空值填补技术的思想主要是利用已有的评分数据填充用户的评分缺失值,这种方法使用简单,不会给用户使用系统带来额外负担。但空值填补技术本身是对评分缺失值的一种人工预测,预测值不能完全代表用户的真实偏好。新的相似性计算方法利用用户评分数据中包含的各种信息,比如用户的共同评分项目、评分众数等计算用户之间相似性,这种计算方法具有较高的稳定性,但仍然是基于用户已有的有限评分数据进行的计算,对系统推荐质量的改善程度有限。针对以上问题,本文主要工作如下:(1)提出基于稀疏聚类和用户信任度的协同过滤算法。针对在数据稀疏情况下聚类效果不理想、在维度约简时舍去了过多有用信息的问题,采用稀疏子空间聚类算法对用户进行聚类,保留更多有用的信息;在相似度计算中结合用户信任度进行计算:首先计算用户在数据集的有效、公正评分,为每个用户建立用户的可信任度矩阵,然后将改进的基于评分众数的用户信任度融合进去,结合传统的相似度量方法进行相似度计算。在电影数据集上的实验结果表明,算法可以积极缓解在数据稀疏情况下查找近邻不精准的问题,提高推荐质量。(2)提出基于用户共同喜好评分和基于评分时间差的协同过滤算法。在电影推荐领域,针对现有的推荐算法在共同评分项目上未考虑评分差异性的问题,将用户共同评分中差值不大的数据设置为共同喜好评分集,用传统相似算法计算相似度时,结合喜好评分进行相似度的改进;针对电影推荐系统现有算法未考虑电影上映时用户评分时间(观影时间)对用户相似性影响的问题,提出了基于用户评分时间差的算法,在电影上映阶段,计算用户和用户之间对项目的评分时间差值,然后对传统的相似度计算方法进行改进,在共同评分项目上评分时间差值越小的用户,用户相似度相应越高。在电影数据集上的实验结果表明,算法可以提高推荐的质量。