随着信息系统规模的扩大和电子商务的快速发展,用户数量和项目资源数量急剧增加,用户评分矩阵规模急剧增大,如何处理高维矩阵,且应对数据稀疏性问题,增强推荐系统的可扩展性以及提升推荐算法的实时性,成为当前研究的重点。本研究融合本体和降维两种技术,试图解决上述问题。研究提出基于本体和降维技术的协同过滤(CF)推荐算法。以电影为例,利用电影本体库(MO),计算基于领域本体的项目语义相似度,融合基于奇异值分解(SVD)评分矩阵的项目相似性,确定两者的权重因子,产生基于项目的预测评分;再融合基于用户的预测评分,确定融合因子,产生最终预测评分,生成推荐。这种算法不同于传统CF算法只考虑用户对项目的评分,引入基于本体的项目语义相似度,考虑项目自身属性对用户产生评分的影响,以此来调和项目相似度,降低评分矩阵数据稀疏性的影响,提高推荐准确度。同时,针对传统CF算法的可扩展性问题,使用期望最大化(EM)算法对用户-项目评分进行聚类,将相似的用户、项目划分成簇(Cluster),同簇间的对象相似度较高,不同簇间的对象相似度较低,在获取最近邻时,不需要遍历数据集中所有的对象。从而大大降低了计算时间,提高实时性和增强推荐算法的可扩展性。最后,通过Movie Lens数据集验证提出的基于本体和降维技术的CF推荐算法。评估指标包括:吞吐量(Throughput)、平均绝对误差(MAE)、准确率(Precision)、召回率(Recall)、和F1值。运用Matlab实现算法的计算和推荐,并设置对比实验组,将实验结果和传统算法进行比较,证明了基于本体和降维技术的CF推荐算法有效的改善了数据稀疏性问题和可扩展性问题,并提高了推荐准确度。