信息技术的迅猛发展给人们的生活带来了很多便捷,随着网上用户的增加,产生的海量数据一时间让用户无法应接,大量的商品信息无法应对用户的个人喜好。推荐系统的诞生部分的缓解了信息过载给用户带来的困扰,推荐系统存在的数据稀疏性问题还有新事物的冷启动等问题也同样摆在面前。产品和用户的急剧扩增和用户对产品的评分有限给推荐系统带来严峻的数据稀疏性挑战。本文在综合分析目前研究现状的基础上,针对数据稀疏性进行了进一步研究。本文首先提出一种基于二分网络的用户聚类推荐算法,该算法通过聚类技术将用户聚集成若干个用户子网,并在用户子网中构造二分网络,构建二分网络时使用物质扩散法建立项目的权重矩阵,由权重矩阵加权求和计算用户对项目的推荐预测值。最后在构建好的子网中分析子网间的关联关系并用矩阵记录下这种关系,由这些关系搭建网络,由此构建出基于二分网络的用户聚类推荐算法。其次提出一种基于用户聚类和项目分类的推荐算法,该算法首先将电影按照电影类型进行分类,再通过用户是否看过此类型电影计算用户对该类型电影的喜爱程度,在聚类出来的用户子网中结合项目分类和用户喜爱度计算每个子网中用户间的相似度,然后把所有的相似性通过用户喜爱度加权得到最终的相似度,最后分析子网间的关联关系,由此构建出基于用户聚类和项目分类的推荐算法。最后,在不同稀疏度的数据集上将以上两种算法进行实验,并和现有的其他推荐算法进行对比。实验结果显示本文的两种算法均优于对比的算法,而且在稀疏度不同的数据集上,本文的算法推荐质量受的影响不大。