随着计算机和Internet技术的飞速发展,人类进入了信息社会和网络时代,人们在享受Internet带来便利的同时也很难从海量信息中快速、准确的定位自己所需的信息。这就是“信息过载”问题。在这个背景下,推荐系统诞生了。协同过滤算法是当今推荐系统中使用最广泛的一种算法。但是在简单,高效的同时还存在很多亟待解决的问题,如数据稀疏性、冷启动、可扩展性等。数据稀疏性问题使得采用协同过滤算法的推荐系统面临严重不足。本文针对该问题从类别专家和项目与用户的自身特征两个角度出发,缓解数据稀疏性问题,从而达到提高推荐精度的目的。首先,提出了一种基于类别专家加权的数据填充算法,该算法从项目类别的角度来提高数据的分辨率,将用户的关注点从单品提高到类别。然后使用算法选择出的类别专家和待填充数据用户的相似度作为权值,通过类别专家对项目评分来填充待预测用户对项目的评分,使评分矩阵稠密度上升,最后通过实验验证了该预测填充算法能有效改善推荐精度。其次,由于传统协同过滤算法仅从用户评分矩阵下手,导致在矩阵稀疏的情况下,出现相似度计算不准确,影响推荐结果的问题。提出一种分步的协同过滤算法,首先根据项目特征进行填充使数据稀疏的用户能有更多的邻居用户然后在传统的计算相似度公式中加入人口统计学相似度来提高用户间相似度的准确性。从而提高推荐质量。最后,本文使用MovieLens数据集,根据章节分别设计了总共四组实验对本文提出的算法进行验证,实验表明基于类别专家的填充评分矩阵方法比传统的均值填充法和K-means聚类方法更具可信度,MAE值更低。分步的用户协同过滤方法能在数据稀疏的情况下比传统的用户协同过滤算法提供更好的推荐效果。