Internet的爆炸式发展,给用户带来大量的信息与数据,但在面对海量的数据时,用户却无法将有用信息从海量数据中筛选出来,对信息的利用率反而下降了。信息过滤与高效处理已经成为用户普遍关心的问题,因此,推荐系统应运而生,推荐系统作为信息过滤技术学科的一个分支,近几年来被广泛研究与应用。但是,目前推荐系统仍存在问题有待解决。本文对数据稀疏性问题进行了研究,提出了两个改进算法,主要的工作如下:1.提出了基于PCA与联合近邻权值的协同过滤算法。算法首先对原始矩阵利用PCA的维数约减技术降维,将原始评分矩阵转换到主成分空间上,有效地缓解了数据稀疏性的问题;同时,保留了最能够代表用户兴趣矩阵的维数。结合联合近邻权值模型,使得基于商品计算相似度时更加准确,保证了最近邻的高精度选择性,降低了运算的时间复杂度。实验结果表明,该算法提高了推荐质量。2.提出了K-近邻矩阵分解推荐系统算法。该算法结合了经典矩阵分解算法与最近邻算法的优点。在计算未知评分项时,同时考虑目标用户与目标项目的k近邻集合,大大减少了无关用户与无关项目的评分值对预测值的影响。并定义新的近邻评分矩阵与计算未知评分值的新方法。近邻评分矩阵融合了目标用户与目标项目的评分信息,对近邻评分矩阵进行矩阵分解,挖掘目标用户对目标项目的评分值。实验结果表明,本文提出的算法对比传统的协同过滤推荐算法得到更准确的推荐结果。