随着互联网信息技术的蓬勃发展,信息过载问题变得越来越严重,用户无法快速从海量数据中找到对自己价值度与满意度高的信息,于是辅助技术推荐系统应运而生。现在许多电子商务、社交新闻、互联网音频等互联网平台都在使用推荐算法来提高系统的智能性,推荐系统逐渐成为互联网应用必不可少的组成部分。本文根据推荐算法的基本原理和推荐过程,提出不同的算法以解决推荐系统的数据稀疏性问题,其中主要以张量填充技术和迁移学习技术为重点研究方向。本文主要的工作内容概括如下:(1)提出一种基于概率的CP张量填充推荐算法。首先针对现有CP填充算法的缺点,在原始CP分解过程中,用矩阵与张量模拟相关高斯噪声数据和缺失数据,然后通过交替最小二乘法更新及训练因子矩阵,最终以一个较完整的近似张量实现对原始数据的预测填充,构建出的新数据可以更好地反映原始数据的特征,并且算法的鲁棒性和计算优势较高。(2)提出一种基于FunkSVD的隐式数据迁移学习推荐算法。本文针对隐式数据的特点,对其进行建模与分析,构造一个用户隐式点击数据矩阵,并采用FunkSVD算法填充,然后对经填充以后的点击数据进行迁移学习,获得一个用户间接相似度特征表示,再与显式数据中获得的用户直接相似度特征相结合,起到提高相似度计算准确度的作用,实验表明,FunkSVD-TL(FunkSVD Transfer Learning)为后续计算提供了更加符合要求的数据。