在互联网技术飞速发展的背景下,信息过载问题成为了用户新的苦恼,也阻碍了互联网业务继续发展。随着数据挖掘技术的进步,个性化推荐系统应运而生,推荐系统能够在浩如烟海的数据中发现用户潜在偏好,直击用户兴趣点。协同过滤是构建个性化推荐系统的核心技术,近年来受到了工业界和学术界的广泛关注,然而数据稀疏问题却始终制约着其性能。为了缓解数据稀疏问题,现有工作大多着眼于引入辅助信息,而甚少有工作关注大量廉价的未标记数据。本文聚焦于推荐系统中常见的数据稀疏问题,将尝试从两个新颖的角度进行思考,引入未标记样本缓解数据稀疏问题。本文针对传统推荐算法存在的数据稀疏问题,作出以下研究:提出了一种协同训练风格的半监督方法来集成三种成熟的协同过滤算法,称为半监督集成协同过滤（Semi-Supervised Ensemble Filtering）,简称SSEF。具体而言,SSEF首先通过三种不同的协同过滤算法分别使用标记样本初始化三个弱预测模型。然后合并由邻域方法生成的两个预测模型,与潜在因子模型生成的预测模型,作为两个基学习器,在共同训练过程中,每个学习器都为另一个学习器标记无标记样本。为了安全地利用未标记的数据,通过验证伪标记的样本对标记的样本的影响来估计标记的置信度。通过将增强后的三个预测模型的输出加权融合,可以进行最终预测。所提出的算法在多个真实数据集上与众多协同过滤推荐算法（包括基于半监督,集成和基于边信息的解决方案）进行了对比,验证了所提出的半监督协同训练算法的有效性。通过提出一种评论感知的半监督协同训练方法（Review-aware Semi-supervised Collaborative Filtering,RSCF）来解决数据稀疏问题。具体来说,使用分解模型来捕获用户评论信息。然后,为了构建一个能够同时利用评论信息和未标记数据来提高推荐性能的模型,本文提出了一种半监督的集成学习算法。该算法使用不同评论信息构造不同的（弱）预测模型,然后采用协同训练策略以允许每个（弱）预测模型从其他预测模型中学习。与用于解决数据稀疏问题的标准推荐方法相比,该方法具有几个明显的优点。首先,它定义了一个评论感知分解模型,该模型兼顾了模型多样性与性能（评论信息使得学到的用户和物品表示更准确）。其次,该方法可以自然支持监督学习和半监督学习,提供了一种灵活的方法来合并未标记的数据。所提出的算法在两个真实数据集上进行了评估。实验结果表明,与标准算法相比,使用本文的方法可以显着提高推荐精度,并且可以大大缓解数据稀疏问题。