推荐引擎通过为用户推送感兴趣的信息，应用机器学习知识为用户提供个性化推荐。在推荐引擎中，协同过滤是一种最为常见的个性化推荐技术，在推荐领域中应用比较广泛，已经成为了该领域非常重要的方法。然而现有的协同过滤算法普遍存在着一个很显著的问题：数据稀疏性。由于在应用推荐引擎的场景中，用户进行评价的项目信息一般来说常常达不到场景中项目总量的1%，导致建立起来的用户与项目之间的信息矩阵存在很大的稀疏性，而用户与项目的信息矩阵是协同过滤技术进行推荐的数据信息基础，所以数据稀疏性问题的解决就显得尤为重要。本文主要是针对协同过滤中存在的稀疏性问题进行探讨。首先分析了推荐引擎的国内外研究现状，接着详细介绍了协同过滤技术，进而针对协同过滤技术具有的数据稀疏性问题，介绍了目前的几种解决方案及其问题，从两个方面提出了改进方法：一是改进现有的相似性度量方法，以找到更优的邻居集合。该方法在朴素贝叶斯度量方法的基础上，添加了项目的流行度作为惩罚因子，该度量方法经实验数据验证能够更好的反应邻居之间的相似性；二是通过奇异值分解实现降维的方法，使得原始的计算信息矩阵更为稠密。因此本文针对数据稀疏性问题提出一种改进算法，即BAS算法：该方法首先利用传统的基于奇异值分解的方法来填充稀疏的评分矩阵，并得到预测的评分数据，然后采用这些预测评分来获得活跃用户的邻居，最后利用改进后的相似性度量方法得到最终提供给用户的预测值。并对改进的算法进行了相应的理论分析，在选定数据集上进行了与原有的传统方法对比的实验，实验结果表明，该方法在所用数据集上能够有效缓解数据稀疏性问题，及其带来的推荐精度不够准确，一定程度上提高了推荐引擎的推荐质量。