基于用户的协同过滤推荐通过收集和分析与用户行为相关的历史数据,并基于与其他用户的相似性实现对用户的推荐,而用户的历史行为数据集存在严重的稀疏性,从而降低推荐的准确性。K-means聚类和模糊C-means聚类降低了稀疏数据的影响,但推荐的多样性效果并不明显,将粒层聚类融入协同过滤推荐不仅能解决算法对稀疏数据的敏感,同时也能实现多样性推荐。粒计算是使复杂问题简单化的一种计算工具,通过合适粒度的选择,在不同粒层上求解得到原问题的最优解。用户的相似度作为粒层划分阈值,通过调整阈值实现合适粒度选择,达到全局最优,以此提高推荐的多样性和准确性。具体内容如下:首先,对基于用户属性和基于模型聚类的5种算法进行实验重现,通过数据对比,分析每种算法对数据稀疏的敏感性和数据集大小的敏感性,发现5种算法对于大数据集推荐效果降低。第二,通过数据预处理技术降低协同过滤推荐的数据稀疏性,采用SMOTE技术填充空白数据,提高了推荐的准确性。同时探究时间因子对推荐质量的影响,发现时间因子是否影响推荐效果取决于聚类中心的选取过程。第三,针对推荐系统面临的多样性较差问题,提出覆盖粗糙粒层聚类模型。该模型减弱数据稀疏的影响,通过寻找用户局部粗糙粒集进而得到全局覆盖粗糙粒集,降低数据稀疏导致的局部最优问题,为用户提供精准的多层次、多粒度推荐,从而实现推荐的多样性。将粒计算理论应用于推荐算法,是对推荐模型的优化和创新,通过基准数据集实验测试,证明基于粒计算的推荐模型面向大数据集时,在不降低推荐准确性的同时,实现推荐的多样性。图10幅;表32个;参67篇。