在大数据时代背景下,互联网的海量数据造成了“信息过载”这一难题,用户无法快速获取对自己有价值的物品信息,推荐系统的出现缓解了这一问题,协同过滤算法作为推荐系统的核心,逐渐成为国内外专家学者研究的重点。推荐算法自身存在一定局限性,同时稀疏数据集也对其造成干扰,从而影响推荐质量,鉴于这一问题,本文对传统协同过滤算法展开研究和改进,主要工作如下:(1)针对传统协同过滤算法自身局限性导致推荐不准确问题,提出一种基于共同评分数所占比重和物品特征作为权重的改进算法。通用的相似性算法基于用户共同评分项目集来度量用户之间的相似度,在很多时候无法做出合理的推荐,本文以此提出新的思路,考虑到用户对共同评分项目的评分所占比重带来的影响,并分析评分大小所表现出来的用户兴趣,同时融合基于项目属性喜好的相似度,形成新的改进算法,通过与其他算法和传统算法相比较,实验结果证明本文改进算法有更好的性能,克服了传统算法的缺点,提高了推荐精度。(2)针对数据稀疏性对推荐质量的影响,提出一种融合用户活跃度、平均评分和共同评分的改进算法。一般的相似度计算方法在稀疏数据集中会受到较大影响,导致推荐结果的准确性有所降低。针对这一问题,本文通过引入用户活跃度,考虑了用户共同评分数和评分差异,提出一种新的计算方案,优化了协同过虑算法中相似性度量的关键性能。实验结果表明,改进算法使平均绝对误差值大幅降低,从而有效降低了稀疏数据集对推荐精度的影响,显著提高了推荐系统的推荐质量。