随着社会的发展和科学技术的进步,互联网涌现出大量的社交平台,使得网络用户的信息传播更加便利。在信息传播速度快、数据量庞大的社交网络中,推荐系统可以有效预测用户所需的信息,向用户提供帮助。但是在推荐系统中,相比于海量的数据信息,用户所接触到的信息是非常少的,面临着信息数据稀疏化的问题,在一定程度上不利于用户之间的相互推荐,导致推荐的精准度不高,用户的体验变差。因此,如何有效的解决稀疏性问题是目前社交网络推荐中研究的热点及重点。本文正是针对推荐系统中稀疏性的缺陷,对其性能进行改进,具体工作如下:(1)针对信任矩阵的稀疏问题,提出了一种基于活跃用户信任度计算和相似用户的推荐算法。首先找出活跃用户,分别从用户的活跃度、专业性、可信度三个方面进行信任度计算,衡量一个用户是否为活跃用户,然后利用活跃用户对原始的稀疏信任矩阵进行填充,得到一个新的密集的信任矩阵。接着根据评分值信任度的概念对Pearson相关系数进行改进,用来计算用户之间的相似度,可以得到高相似度的相似用户。最后以信任用户作为影响因素以及相似用户作为影响因素设计出评分的预测模型。(2)针对用户-项目评分的数据稀疏问题,提出了一种基于影响因子的概率矩阵分解推荐算法。首先将改进的Pearson相似度计算方法融合到原始的信任矩阵中,得到一个经过加权处理的信任矩阵WTM。接着,分别以用户评分和用户的潜在特征构造条件分布,对其加入影响因子进行扩展,其中影响因子融合了加权信任矩阵WTM,最终得到一个扩展后的概率矩阵分解模型。分别对上述两个算法在稀疏的Epinions数据集上进行实验,并与其他相关推荐算法依据MAE和RMSE度量方法做对比实验。通过分析实验结果表明,本文提出的两种算法能够有效缓解所针对的稀疏问题,提高推荐的精准度。