在21世纪,随着网络的普及,推荐系统得到了较大的发展。在互联网普及之前,人们想要得到问题解决方案,则需要购买相关的书籍或者请教相关专业人士。而在互联网出现之后,网络上的信息越来越多,答案也会随之增多,人们无法及时获取到正确的、符合自己需求的答案,需要在答案中人为的筛选。而内容或信息提供者想要更好的服务于用户,增加用户的粘性,希望用户能够在其系统中快速得到自己的需求信息,所以推荐系统随之产生,其作用逐渐显现,使得众多的组织和学者对推荐系统做了更多的研究和改进。当今推荐系统已经扩展到很多领域,如新闻、音乐、影视、商品等都需要针对用户进行个性化推荐。协同过滤推荐算法凭借着其优秀性能迅速发展。协同过滤推荐只关注了用户或项目之间的关系,而不需要关注用户或项目本身的内容,所以其适应性强,能够产生新异推荐和个性化推荐。但因其广泛的应用,随之而来的暴露出其系统的缺陷性,比如系统稀疏性,可扩展性低等,当用户和项目急剧增多时,用户项目矩阵会极度稀疏,使得计算准确性下降,且系统的计算时间会随之增长,导致系统不能实时推荐,影响其推荐效率。本文主要针对系统的相似度计算方法和数据稀疏性进行改进,研究工作主要包括:(1)由于项目的评级是由用户评估的,因此用户具有主观情绪,会导致不同用户整体的评分趋于两极化,使得他们的整体评分趋于高或低,产生由于主观情绪而造成的评定标准不同问题。由于数据的极度稀疏,发现用户对电影的评价数量不同,少数用户因和目标用户拥有较少的共同评分而计算不准确,因此,本文提出评分标准惩罚机制和低共同评分项惩罚机制,使用用户评分差对评分标准进行约束,使用Tanimoto系数计算用户共同评分项占比,综合上述两种修正方案,经多次实验及数据拟合,构造出新的相似度计算公式,得到了较好的推荐效果。(2)由于数据量的增大,原始矩阵稀疏等级逐渐提高,较大程度上影响了推荐系统的性能,使得推荐结果不准确。为了更好的解决数据稀疏性问题,本文根据信息熵论理论,使用信息熵的思想提出项目置信度。因不同项目的评价次数不同,而高评价次数项目更能代表用户兴趣,项目置信度可较好衡量用户兴趣度。将传统余弦相似度与项目置信度相结合,对初始矩阵预填充,进而解决原始矩阵稀疏问题。针对上述提出的评分标准不同问题,此次利用欧氏距离公式去衡量用户间关系,与传统的算法相结合做出推荐。在与传统算法对比实验中表明,本算法优于其他对比算法。(3)经过上述对协同过滤推荐算法研究,本文构建了简单的电影推荐系统,将所研究的算法用系统的方式呈现。最后,提出进一步研究方向和思路,更深层次的解决推荐算法所存在的问题。