随着大数据时代的来临,信息呈爆炸式增长,如何从如此庞大的信息中获取价值成为当前互联网时代的一大挑战,个性化推荐系统应运而生。它主要是根据用户的信息和历史购买记录等数据来进行推荐,随着电子商务的发展逐渐流行起来。虽然现在个性化推荐技术越来越成熟,但是仍然存在很多瓶颈,如数据的稀疏性问题和冷启动问题。本文将从解决数据的稀疏性问题出发,通过采用GRNN填充用户评分矩阵,提高推荐系统的性能。本文主要提出了两种方法来提高推荐系统的准确性:1)传统协同过滤推荐算法中存在矩阵稀疏性问题,会导致推荐系统在寻找用户邻居节点的时候,因为两个用户共同评分的物品数量过少导致相似度计算不准确。本文采用GRNN对用户评分矩阵进行预填充,通过对填充后的矩阵来计算用户之间的相似度。因为填充后的矩阵用户共同评价过的数量增加,相似度也会更准确。GRNN相比于传统的神经网络,预算速度比较快,因为它只有四层网络结构,另外它不需要不断的训练神经网络的权重与偏置,只需要训练一个光滑因子。本文采用遗传算法来寻找GRNN的光滑因子,遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。通过GRNN来对用户评分矩阵进行填充后,用户共同评价过的物品数量增加,用户之间相似度的计算也会更加准确,推荐系统在寻找相似用户的时候,用户的邻居就越可靠。2)传统方法中一般使用两个用户之间的距离来衡量相似度,本文采用一种改进的信息熵算法计算相似度,但是信息熵只考虑了评分差出现的概率,而没有考虑评分差距大小的影响,因此本文加入评分差来改进相似度。另外,如果两个用户共同评价过的物品数量越多,那么这两个用户越相似,所以本文加入Jaccard距离来对相似度进行修正。