随着Web 3.0社交平台的快速发展,进行网络信息的获取变得十分的方便和迅速。但是,同时大量数据信息的产生也严重干扰了用户对有关重要信息的获取,个性化推荐技术因此而产生,个性化推荐技术有助于缓解信息过载带来的负面影响,协同过滤(CF)是个性化推荐系统中常见的一种技术。其中,基于邻域的协同过滤是CF算法中最为经典的一种推荐算法。其核心思想就是利用一种相似性度量方式来找到与其距离最近邻居集,再利用这些集合,将其评分通过加权来求和,然后形成推荐列表。而关于相似性计算的准确性决定着推荐算法性能的好坏。数据高维稀疏性问题的存在使得传统的协同推荐算法在相似性衡量方面缺乏准确性。本文针对传统算法存在的数据高维稀疏性问题,从评分矩阵填充、改进相似度和降维这三个方面进行深入的探究。本文主要做了以下工作:(1)评分矩阵填充的协同过滤算法研究。本文首先通过概率矩阵分解(PMF)方法进行矩阵的分解。然后利用分解得到的低维矩阵逆向获取近似评分矩阵。只在用户间评分项目的并集上进行评分矩阵填充,同时为了保留原始稀疏矩阵的特征,通过加权进行相似度调整,使得融合的相似度不仅仅考虑原始稀疏矩阵的用户之间的相似度,而且考虑了填充后用户之间的相似度,同时,加入信任因子约束稀疏矩阵填充,减少填充算法的假设性。(2)融合相似度的协同过滤推荐算法研究。通过对相似度进行改进和优化能够有效缓解数据高维稀疏性问题。融合相似度能够充分挖掘用户的行为特征,综合考虑Jaccard相似度、巴氏系数(BC)和最大信息系数(MIC)的优点,同时能够弥补单一相似度计算方法的缺陷,是更加全面的相似度模型。融合后的相似度能够充分考虑用户对评价过的项目评分,在用户之间没有共同项目评分的情况下也能够计算相似度。(3)项目热度和相似度相融合的协同过滤推荐算法研究,针对传统基于邻域的协同过滤算法只考虑相似度这一因素和传统矩阵分解出现负值的问题,提出了一种新型的相似度度量方法,将项目热度与相似度相结合。首先填充评分矩阵,运用非负矩阵分解得到项目的非负隐式特征空间,然后在项目的非负隐式特征空间得出项目间的相似度,生成第一阶段邻居集。接着构建项目热度模型并融入到相似度模型中,得到引入项目间信任因子的相似度,再次寻找最近邻居,并完成预测推荐。(4)在提出的三种新型的基于邻域的协同过滤推荐算法的基础上,完成电影推荐系统的设计。同时,为了验证电影推荐系统的功能,对电影推荐系统进行测试,产生推荐列表。