信息过载是信息时代信息量过于丰富带来的严重负面问题之一随着电子商务的飞速发展,电子商务网站提供大量的商品。过量的信息严重干扰了用户对商品的精确选择。为了在一定程度上解决商品信息过载的问题,人们提出了推荐算法。协同过滤是应用最广泛的一类推荐算法。在实际应用环境中,用户并不会对每一个项目进行评分。用户评价过的项目数量往往占项目总数的比例很小,这就导致了用户-项目评分矩阵极其稀疏。在评分矩阵极其稀疏的情况下,协同过滤推荐算法无法识别部分相似用户,也无法推荐刚加入系统的新项目。为了解决评分矩阵过于稀疏带来的问题,本文从项目特性和用户兴趣两个方面分别提出了改进的协同过滤推荐算法：基于项目特性的协同过滤推荐算法(CFBIF)(?)口基于用户兴趣的协同过滤推荐算法(CFBUI)。CFBIF算法从推荐项目的特性中提取有效信息进行改进。在电子商务网站中,推荐项目有各种外观、功能和类型属性。拥有相同特性的项目往往会有近似的评分值。CFBIF算法构造一种结合项目属性和项目评分两个方面特性的综合相似度计算方法,然后基于项目综合相似度对评分矩阵中的未知评分进行预测填充。该算法增加了用户-项目评分矩阵的数据密度,缓解了用户-项目评分矩阵稀疏性带来的问题。CFBUI算法从用户兴趣中提取有效信息进行改进。用户对项目的评分蕴含了用户的兴趣模式。被同一个用户评价过的项目之间存在兴趣关联。由于个人的兴趣会迁移,所以兴趣关联强度会随着时间逐渐变化。CFBUI建立随时间衰减的兴趣度模型,并通过兴趣模型挖掘项目之间的兴趣关联,进而对评分矩阵进行预测填充,同样能够缓解用户-项目评分矩阵的稀疏性带来的问题。本文讨论了协同过滤推荐算法中的矩阵过于稀疏带来的问题,然后通过挖掘项目之间的相似性以及用户兴趣中蕴含的兴趣关联,获取了大量的有效信息,进而对用户-项目评分矩阵进行预测填充,大大降低了用户-项目评分矩阵的稀疏程度。实验结果表明,本文提出的算法有效地缓解了协同过滤推荐算法中用户-项目评分矩阵稀疏性带来的问题。