推荐系统通过预测用户对项目的喜好程度为用户进行信息过滤,应用知识发现技术生成个性化推荐。协同过滤已经成为个性化推荐系统的一种主要工具,但在许多推荐系统中,每个用户涉及的信息量非常有限,造成评估矩阵相当稀疏,难以找到相似用户集,导致推荐效果大大降低。本文研究了协同过滤算法中的数据稀疏性问题,即在一些信息量大的或者刚建立的协同过滤系统中用户评分项目数很少,导致用户评分项的交集很小,传统协同过滤系统中的相似性计算方式在这种情况下很难找到“最近邻”集合进行推荐。为了解决这个问题,本文提出了一种基于知识分类树的协同过滤方法,将领域知识表示为一棵树,称为知识分类树。首先,利用领域知识计算用户评分项目之间的相似度；然后,根据用户兴趣项集计算用户之间的相似性,找到“最近邻”集合；最后,根据“最近邻”集合做出推荐。实验结果表明基于知识分类树的协同过滤方法可以提供比传统协同过滤方法更好的推荐结果。