随着互联网的高速发展,网络信息也飞速增长,以协同过滤系统为代表的推荐系统(RS)可以帮助用户在较短时间内找到其感兴趣的内容。协同过滤算法在推荐系统中发挥了重要的作用,其应用最广泛也最有效,但还是有一系列的问题存在,如历史标注信息过于稀疏问题、新用户(项目)问题等亟待解决。近年来社交网络飞速发展,以微博为代表的应用受到大量的用户追捧,产生了海量的以用户为中心和用户兴趣相关的社交信息,结合用户的历史行为和标注信息,如何综合利用这些信息来改进协同过滤算法的性能,缓解评价矩阵数据稀疏导致的预测精度不高的情况,是本文的研究重点。为了解决上述的问题,本文进行了如下两方面研究。第一,基于正负二值标注评价矩阵的用户相似度模型研究。协同过滤算法中最关键一步是用户相似邻居选择,而邻居选择的依据是用户相似度计算模型。在二值标注评分矩阵的模式下,传统的相似度模型存在一些不足,同时由于评价标注信息十分稀疏,用户共同评价的项目过少,用户相似度计算受到了严重影响,从而影响算法的预测精度。在正负二值标注模式,我们对三种典型的相似度计算方法进行了理论分析和实验对比,发现杰卡德相似度模型更加适应二值标注的评分模式,又针对评分矩阵数据稀疏性问题,在杰卡德相关系数的基础上引入平滑函数,来降低用户之间共同标注项目过少带来的相似度计算不准确的情况。实验的结果证明,改进后的算法能够有效缓解数据稀疏性问题,从而提升了系统预测性能。第二,融合用户关系强度的协同过滤算法研究。社交网络中,用户社交信息的飞速增长为我们提供了很多评价矩阵信息以外的数据,可以提供给研究者进行挖掘。本文的研究重点就是如何充分利用这些额外的社交信息来缓解评分矩阵数据稀疏的问题,从而提升算法的性能。文中依据腾讯微博用户真实数据,首先依据用户社交信息建立了合理的用户关系强度模型,再结合基于评价矩阵信息的引入平滑函数的杰卡德相似度计算方法,提出了融合两种信息的预测算法。并采用融合算法对评分矩阵进行缺失值预测填充处理,相较与文中对比的方法,我们采用的融合算法增加了有效的信息量。从实验结果可以看出,融合用户关系强度的协同过滤算法有效的减轻了评价矩阵过于稀疏带来的影响,使得算法的预测性能有了显著提升。