推荐系统得益于其主动推荐的特性,成为大数据时代下解决信息过载问题的有效手段,在各领域都得到了广泛应用。尽管相关领域的专家学者已对推荐系统展开了深入研究,但仍存在着多方面问题制约其推荐效果。一方面,由于推荐算法存在着局限性,数据稀疏环境下,无法给用户生成满意的推荐结果;另一方面,多数推荐算法只基于评分数据进行用户最近邻的查找,未将用户对项目类型的历史偏好考虑在内,数据参照的单一性致使推荐质量较差。为解决上述问题,提出一种融合矩阵填充和用户偏好的混合推荐算法。针对数据稀疏问题,使用Slope One算法对评分矩阵进行填充。为提高Slope One算法的预测准确度,综合考虑用户评分相似度和相似度支持度优化其偏差计算方法;预测评分时引入融合项目评分和项目语义的加权求和公式到评分预测过程,并使用可信度权重修正最终预测评分。针对推荐质量不佳的问题,首先通过引入项目类型信息,计算用户对项目类型的偏好评分,构建相对低维的评分矩阵,挖掘用户偏好;然后提出融合磷虾群算法和K调和均值算法的混合聚类方式对用户聚类,增强聚类效果;最后综合考虑经过填充的评分数据和用户对项目类型的偏好数据优化相似度计算方法,使用协同过滤算法完成推荐。在真实数据集上对提出的算法进行验证分析,实验结果表明所提混合算法相对于单一算法和其他文献算法在预测准确度上均有所提升,证明了本文算法有效缓解了数据稀疏问题,提高了推荐质量。该论文有图34幅,表12个,参考文献77篇。