信息技术的快速发展,互联网用户量和信息量规模的不断扩大,网络空间的信息生产者由传统媒体逐步趋向大众化和平台化。随着个人影响力的提升和人工智能的普及发展,人人都是信息的生产者,任何同网络传输相连接的设备也是信息制造者。大规模信息量的产生在为用户提供充足信息的同时也带来相当大的困扰,即如何从庞大繁琐的数据空间获取需要的信息内容,该现象即是信息过载。推荐系统的出现,有效地缓解了过载问题。其中的协同过滤推荐技术,利用用户间相关信息,产生合理推荐,并能由反馈信息进行动态调整,突破了专业领域知识的限制,提高了推荐性能。但同时协同过滤也面临着一些问题,由于用户规模和项目数量的不断增大,不可避免地会出现维度灾难的问题,该问题具体会反映在数据稀疏性上,如何有效地利用已存在的数据信息,为解决推荐系统所面临问题的关键。针对稀疏问题,本文由相似性出发展开研究。第一,在用户对应的项目领域,根据项目属性进行用户分类,得到用户初始兴趣分布。在用户所具有的兴趣分布特征基础上进行数据信息量化处理,获取用户本身兴趣特征,通过计算用户的兴趣特征差异,经过数量关系调整后得到新的相似性,最终在协同框架下进行预测评分数值计算,最终完成推荐过程。第二,根据用户评分结构所具有的隶属特点,以及用户间评分体系所体现的差异性,分别得到具有用户评分结构性和用户评分混乱性特点的相似性计算方法。在有限的用户数据空间,通过将两方面特性进行有效融合,形成新的相似性计算方法。最后,由兴趣分布和评分结构出发得到的相似性方法,在协同过滤过程中能更好地得到用户间相似关系。实验验证对比显示,在新的相似计算方法下,推荐算法能够缓解稀疏状况,降低推荐误差。