随着信息技术的快速发展,人们对个人信息的要求也越来越高,为了提高信息的质量,需要一个定制的推荐系统,该系统通过分析用户的偏好,帮助用户快速搜索最适合的商品,其中协同过滤技术是推荐系统领域最成功的技术。尽管已经证明协同过滤算法成功且被广泛接受,也存在准确性较低、数据稀疏性和新项目冷启动等问题。本文分析了传统协同过滤推荐算法的局限性,提出了一种基于XML模糊数据的协同过滤推荐算法。针对协同过滤算法中的评分数据稀疏性问题,以“用户对项目的偏好分解为对项目中每个属性特征评分之和”为出发点,通过逻辑回归模型填充稀疏评分矩阵中的缺失值,并且基于填充后的评分矩阵计算项目间的协同相似度。将模糊数据的处理与协同过滤推荐结合,基于可能性理论以及相似性理论对项目存在的模糊属性特征进行处理与建模,通过XML的良好结构挖掘项目模糊属性特征之间的相似度,提高推荐系统的推荐准确度。针对新项目冷启动问题,将项目模糊属性相似度与基于填充后的评分矩阵计算得到的项目协同相似度加权结合得到综合的相似关系,通过综合相似关系推荐。采用MovieLens数据集,对改进算法进行评估与分析。实验结果表明,在相同的实验条件下,改进算法对项目模糊属性特征之间相似度的计算及对稀疏评分矩阵的填充使近邻项目的计算更加准确,准确率和平均绝对误差值优于对比算法的相应值。基于XML与模糊数据处理的协同过滤推荐算法,提高了推荐系统的准确度,同时也有效解决了推荐系统的数据稀疏性以及新项目冷启动问题。