互联网的迅猛发展让人们获得了丰富多彩的内容信息。与此同时,在充斥着海量信息的互联网世界中获取到满足自身需求的信息变得越来越困难,“信息过载”问题越来越突出。搜索引擎在一定程度上缓解了过载问题,但仍不能满足人们个性化需求。推荐系统的产生,旨在帮助人们找到自己感兴趣的信息,它为不同用户提供不同的个性化的服务,带来由“人找信息”到“信息找人”的重大转变。传统推荐技术通过用户对项目的评分矩阵信息为用户推荐可能满足需求的项目。其中的协同过滤推荐技术不同于以往的推荐技术,不需要依赖具体推荐对象的特征抽取,推荐的个性化程度很高,因此协同过滤思想被大量的推荐实例所使用。基于协同过滤推荐算法基于用户的行为记录去获取具有类似行为的用户集合,进而预测目标用户可能感兴趣的项目,是目前应用最广泛的推荐技术。推荐的准确度会受相似性度量方法的影响。传统的相似性度量方法主要关注用户共同评分项之间的相似度,忽视了评分项目中的类别信息,在面对数据稀疏性问题时存在一定的不足。针对上述问题,本文对融合类别信息的相似性度量方法进行研究,具体工作为:(1)针对流行偏置问题,本文充分利用项目的类别信息,提出了基于分类信息的兴趣相似度度量方式,并将该方式和传统的用户相似性度量方式相融合,获得一种改进的用户相似性度量方法。这种度量方法更加符合实际,推荐准确性更高。(2)为了缓解数据稀疏性问题,提高最近邻用户查找的准确性,提出了基于分类信息对评分矩阵进行填充的方法,弥补了传统矩阵填充方式不够准确的缺陷。(3)对比了本文提出的融合类别信息的协同过滤推荐方法与现有的协同过滤方法,并在MovieLens数据集上进行了仿真对比实验。通过实验结果表明,相对于其他的推荐算法,该算法弥补了传统相似性度量方法的不足,一定程度上缓解了评分数据稀疏对协同过滤算法的影响,提高了推荐的准确性、多样性和新颖性。