随着电子商务网站的发展壮大,如何快速搜索顾客需要的产品信息成为一个难题,由于推荐系统可以将信息主动推送给顾客,所以推荐系统在电子商务网站的成功应用促进了电子商务的进一步发展。关于推荐系统的学术研究一直是数据挖掘领域的一个热点,并产生了很多研究成果形成有效的推荐算法,像基于内容的推荐、协同过滤推荐、基于规则的推荐、基于人口统计信息的推荐、基于效用的推荐、基于知识的推荐和混合推荐,这些方法各有千秋,其中要属协同过滤推荐的应用最为成功,并且关于这一推荐算法的研究也是最多的。但是随着电子商务的迅猛发展,协同过滤推荐系统也面临着一些难以避免的瓶颈问题,包括数据稀疏性问题、冷启动问题、规模性问题、推荐实时性问题和隐私安全性问题,而冷启动问题事实上就是数据稀疏性问题的升级,当系统刚刚上线使用时都会面临冷启动问题,所以数据稀疏性问题是协同过滤推荐系统的一个研究热点。　　 本文也是针对协同过滤推荐系统的数据稀疏性问题提出了一个改进算法,即基于Rating和Tag相似度融合的协同过滤推荐(简记为CFSFRT)。随着Web2.0时代的到来,社交网站也如火如荼的发展起来,标签Tag的成功应用正是源于美味书签网站Del.icio.us的迅速发展。本研究正是以社交网站作为研究背景,利用可收集的标签Tag信息作为补充,降低数据稀疏性的影响,提高推荐的质量。　　 CFSFRT算法首先对收集的标签Tag进行去噪预处理,得到热门标签集合,然后再根据改进的词根还原算法进行标签聚类处理,得到聚类的标签集合。然后根据传统协同过推荐算法计算用户之间基于Rating信息的相似度,然后再利用Tag信息计算用户与标签之间的相关度并建立用户-标签相关度矩阵,并据此计算用户之间基于Tag信息的相似度,再将这两种相似度融合得到综合相似度,最后根据这个综合相似度进行协同过滤推荐。文章最后给出了具体的实验设计,并以MAE作为评价标准,实验结果证明了CFSFRT算法能有效提高推荐的精度。