网络化与信息化社会具有信息海量化和用户需求个性化的特点，然而庞大的信息流与用户个性化的需求之间并不能形成简单的供求关系。如何通过有效手段过滤掉与目标用户不相关的信息，筛选出对用户有用、能满足用户需求的信息成为信息研究领域的重要课题。协同过滤算法是推荐领域的核心算法之一，它的应用价值在数量众多的、成功的推荐系统中得到了很好的体现。然而协同过滤算法在大量的研究和系统应用中表现出了一定的局限性，出现了诸如评分矩阵稀疏性问题、推荐准确性问题等难题，为解决这些问题，多种改进策略与方案应运而生。本课题针对协同过滤算法的评分矩阵稀疏性与推荐准确度进行算法理论研究，主要的研究工作和成果如下：1.使用朴素贝叶斯分类器对评分项目进行分类的研究。依据项目的属性特征对项目进行归类，有利于搜索相似度较高的邻居项目，并减小预测评分的偏差。朴素贝叶斯分类器通过对数据集中的项目集合训练得到，训练对象是项目，再利用训练得到的分类器对项目按类别归类。实验结果表明，项目分类对协同过滤预测准确度有一定程度的提高，并大大减小了相似度计算的开销，而分类策略的引入则有利于发掘用户对于项目类别的偏好取向。2.填充技术在稀疏矩阵中的应用研究。本文根据对项目的分类结果，计算基于项目的协同过滤预测评分，并填充到原始的评分矩阵中对应的元素位置。由于矩阵稀疏性的影响，用户对项目的预测评分会产生很大的偏差。填充技术的使用通过降低评分矩阵的稀疏度，缓解了稀疏性对预测结果的消极影响。3.基于项目分类与预测填充的协同过滤推荐算法研究。针对协同过滤面临的几个关键问题，这部分工作通过充分发挥分类技术与填充技术的优势，使改进算法的相关性能得到了较好的改善。实验结果证明，改进算法的策略能有效缓解协同过滤中存在的缺陷和不足，对预测推荐的准确度有良好提升作用。