推荐系统能够从许多的数据中挑选出具有价值的信息,帮助用户找到所需的产品或服务,在近几年得到了越来越广泛的应用。然而,目前的推荐系统仍然存在着许多的问题,如数据稀疏、自然噪声和冷启动等,导致推荐系统不能获得准确的用户偏好。本文主要针对自然噪声和数据稀疏展开研究。在推荐系统中,当用户对商品进行评分时,会导致推荐系统的数据不一致。这些不一致性,即所谓的自然噪声,会影响推荐结果。本文为了校正推荐系统中存在的自然噪声,提出了基于概念格的协同过滤校正自然噪声（Collaborative Filtering Correcting Natural Noise Based on Concept Lattice,CFCNN-CL）算法。首先将评分矩阵中用户和项目划分为强、平均和弱三类,通过分析类之间矛盾来检测自然噪声,然后采用基于概念格的协同过滤重新预测新的评分值来校正这些噪声评级,最后从获得的无自然噪声数据集中预测未评分的项目。在实际的推荐系统中,用户可以提供的评分数据是很稀少的,用户只对少数项目进行评分时,推荐质量就会极大地受到影响。为了解决现有的推荐算法在稀疏的数据集中推荐效果差的问题,本文提出了一种基于用户兴趣概念格的推荐评分预测（Recommendation Rating Prediction Based on User Interest Concept Lattice,RRP-UICL）方法。该方法首先通过用户兴趣概念格将“最近邻”分为直接“最近邻”和间接“最近邻”两类。然后采用不同方法分别计算直接“最近邻”和间接“最近邻”与目标用户的相似度。最后,通过相似度值计算目标用户的不可见项目评分值。在真实的数据集上进行了实验,通过不同稀疏度的数据集的验证,实验结果表明,本文提出的CFCNN-CL算法和RRP-UICL算法具有较高的推荐精度,且在数据稀疏的情况下仍然具有良好的性能。