协同过滤的基本任务是通过已知评分信息预测未知评分信息并向用户进行推荐,基于内存的协同过滤算法是其到目前应用最成功代表算法之一,但仍存在数据高维稀疏和相似度计算不合理等问题。本文针对传统协同过滤算法中的数据稀疏和相似度问题,从以下几个方面展开研究:(1)针对协同过滤算法中数据过于稀疏,提出一种对数据填充的改进方法。通过在用户相似度计算过程中对用户评分选择性的填充,可以有效降低数据稀疏对相似度计算的影响,从而提高推荐质量。(2)针对部分社交网络中用户影响力不对称现象,提出一种非对称相似度矩阵概念,引入影响因子和偏移因子对传统相似度矩阵进行调整形成非对称相似度矩阵;同时把多维群组信息降维成与用户特征相同的一维虚拟用户。该方法为群组和用户混合推荐提供一种高扩展性的解决方法。实验结果显示该算法对于数据集中存在非对称用户情况下能明显提高推荐精度。