个性化推荐技术研究用户行为,分析用户兴趣,主动为用户推荐合适的资源,较好地解决了互联网信息日益庞大与用户需求之间的矛盾。协同过滤(Collaborative Filtering)算法中,基于邻居的方法和基于潜在因子的方法是目前应用于推荐系统最成功的技术。前者虽然简单易行,但精度有待提高；后者精度较高,但模型复杂,参数难以学习。因此本文提出一种改进的基于用户相似性的协同过滤算法,通过修正用户相似性的度量方法,产生更合理的用户邻居,实现对用户的评分推荐。实验结果表明：本文中提出的算法相比基于潜在因子的方法简单易行；同时,相比基于邻居的方法,在一定程度上提高了推荐的精度。数据稀疏是影响推荐系统质量的瓶颈问题,随着用户和项目的数量不断增加,稀疏性问题将会越来越严重。矩阵填充方法是解决稀疏性问题的常用方法,简单的填充方法效果往往不是很好。本文中提出一种基于项目相似性的矩阵填充方法,通过递归计算用户对项目的预测评分来填充稀疏矩阵。实验结果表明：该方法可以有效缓解推荐中数据稀疏性问题。