推荐系统是解决信息过载问题的有效工具,也是学术界和工业界关注的热点研究领域。在实际应用中,推荐系统面临着数据稀疏性、可扩展性、冷启动、推荐解释等诸多挑战,其中数据稀疏性问题是制约推荐效果的重要因素。本文主要针对推荐系统中的数据稀疏性问题,具体围绕协同过滤推荐中的评分稀疏性问题、社会化推荐中的信任稀疏性问题和上下文感知推荐中的数据稀疏性问题展开深入研究,对几类相关推荐算法进行改进,主要工作及创新点总结如下:1)针对协同过滤推荐中的评分稀疏性问题,本文定义了相似性可信度,并提出了一种基于相似性和相似性可信度的协同过滤推荐算法。该算法首先基于共同评分项数量设计相似性可信度计算方法;然后在概率矩阵分解模型的基础上,通过相似性关系约束潜在特征向量的夹角余弦,并通过相似性可信度影响约束权重。由于相似性可信度的约束,该算法有效减弱了评分稀疏性问题对相似性关系的影响,强化了模型对重要相似性关系的学习能力,从而缓解了评分稀疏性问题。相关实验表明该算法的推荐效果明显优于当前其它协同过滤推荐算法。2)针对社会化推荐中的信任稀疏性问题,本文提出了社交活跃度概念,并设计了一种基于社交活跃度和信任增强的社会化推荐算法。该算法首先基于PageRank算法设计了一种计算社交活跃度的LivenessRank算法,用于分权对待社交关系在推荐过程中对用户的影响,进而缓解信任稀疏性问题,提高推荐效果;其次,该算法在对社交关系建模时,基于SocialMF算法提出了一种简易高效的信任增强模型,该模型通过幂增长关系更精确地模拟信任强度与好友偏好相似度之间的关系,进一步提高推荐效果。相关实验表明该算法的推荐效果明显优于当前其它社会化推荐算法。3)针对上下文感知推荐中的数据稀疏性问题,本文提出了一种面向项目的上下文聚类的上下文感知推荐算法。该算法首先基于K-means算法提出了面向项目的上下文聚类算法,用于挖掘高质量的上下文类簇信息;然后从上下文类簇的角度对上下文信息建模,通过低维上下文类簇因子的方式融合上下文信息。相比复杂多样的上下文信息,低维的上下文类簇因子携带的知识丰富,致使模型参数大规模降低,从而有效缓解了上下文感知推荐中的数据稀疏性问题。相关实验表明该算法的推荐效果明显优于当前其它上下文感知推荐算法。