个性化推荐技术主动向用户推荐其可能感兴趣的物品集合,是缓解信息过载问题的有效手段,对于大数据背景下互联网应用具有重要意义。协同过滤是目前应用最广泛、最成功的推荐算法,获得了学术界和工业界的广泛关注并取得了一定的成果,但是仍然存在评分稀疏性而导致的相似度计算和邻居选取欠准确的问题,影响推荐效果。本文针对协同过滤算法存在的评分数据稀疏性展开相关研究,以期获得更好的推荐质量。本文主要的研究内容包括:1.针对现有的协同过滤方法在计算项目相似度时大多使用用户项目评分信息,忽略了项目标签信息的情况,提出一种结合评分和标签的协同过滤推荐算法。该算法在项目协同过滤的基础上,引入项目标签数据,利用项目标签隶属度和项目受欢迎程度计算项目间的相关性,并基于评分和标签改进了相似度计算策略。实验结果表明该算法优于现有的一些改进算法。2.针对目前协同过滤算法大都是基于评分数据产生综合兴趣,忽略了用户偏好的侧重点的问题,提出一种基于标签兴趣度的协同过滤算法。该算法通过用户标签使用频度和用户标签评分共同分析用户对标签的兴趣度,以衡量用户偏好的侧重点,利用修正的标签兴趣度改进相似度计算方法。实验结果表明所提出的算法提高了评分预测的准确度,取得更好的推荐效果。3.针对现有的协同过滤算法根据评分相似度或者信任度选取邻居用户时,忽略了用户偏好的侧重点以及信任关系非对称性的情况,提出一种结合标签和信任度的协同过滤算法。该算法利用用户标签兴趣度计算用户相似度,同时通过评分数量度量用户的信任权重,构建信任关系的非对称性,分别根据用户间的相似度和信任度选取邻居用户。实验结果表明改进后的算法提高了推荐的准确度,并且一定程度上改善了冷启动带来的问题。