协同过滤能够根据个人先前的行为数据信息,准确预测个人将来所需的数据。随着计算机科学技术的普及和应用,在互联网中产生了大规模的数据,给人们的选择带来了极大的困难。因此,研究协同过滤推荐具有理论意义和应用价值。本文在详细分析协同过滤推荐现存问题的基础上,针对稀疏数据问题进行研究,主要工作包括:第一,针对数据稀疏环境下相似性判断策略失效的问题,本文提出基于用户评分偏好的策略。首先,分析用户间评分值信任关系,在皮尔逊相关系数的基础上引入用户评分值信任度,在计算用户间相似性时使用评分值信任度加权;其次,通过挖掘用户评分值背后隐含的用户真实偏好信息,找出高分人群和低分人群,构建用户评分偏好模型;最后,综合改良相似性评判和评分估测方法,更加准确的评判用户间的相似性,以得到更加紧凑的用户类别和更加准确的估测结果。第二,针对稀疏数据问题和用户兴趣的模糊性问题,本文提出融合模糊聚类的策略。模糊C均值算法在进行欧氏距离计算时,仅仅考虑用户对电影的评分数据,这样显的过于片面。本文定义用户间的属性距离,把用户间的属性距离和评分值间的欧氏距离进行加权融合,计算用户间的综合距离;针对模糊C均值算法对孤立点很敏感,且很容易产生局部最优问题,本文结合k-means++算法和k-mediods算法各自的优点,先进行一次聚类中心的筛选,然后将最终结果的类中心定为初始类中心,用于改良模糊C均值算法,优化聚类结果;针对MovieLens中电影评分数据稀疏问题,本文使用电影的类型信息,把用户-电影评分矩阵转换成用户-电影类型偏爱矩阵,达到降低维度的效果,使数据相对不再稀疏。第三,为了将本文介绍的理论在可以运行的系统中用实际数据来验证,本文设计并实现了一个协同过滤推荐原型系统,该原型系统能够完成电影爬虫、电影推荐、热门电影播放及电影评分等功能。