随着Web 2.0的到来,网上信息量急剧增长,用户可利用的数据也越来越丰富。然而,用户不得不耗费大量的时间来获取有价值的信息。特别是大数据时代的到来,信息过载问题已然成为当前科学研究不可避免的难题。推荐系统是解决大型网站和电子商务系统中信息过载问题的有效方案,其本质上是依据记录的用户信息来分析用户喜欢的内容,以实现个性化推荐。协同过滤是推荐系统中一种成功的技术方法,但面临着严峻的数据稀疏性问题,该问题制约着推荐性能的提高。因此,文中主要从用户偏好这个角度构建推荐模型以提高对稀疏数据的处理能力,主要内容如下:(1)概括了协同过滤研究面临的关键科学问题,分析了问题产生原因以及描述了国内外研究人员对问题的研究现状,特别对数据稀疏性的研究现状给出了较为详细的描述。(2)传统协同过滤方法并未考虑用户偏好这一关键因素。基于此,提出了一种基于用户偏好聚类的协同过滤算法。该算法首先根据用户的不同偏好进行聚类分析,然后提出了一种新的相似性度量方法以形成多个准确合理的用户群体。实验结果表明所提算法能够提高推荐性能。(3)在传统协同过滤方法的基础上提出了一种有效的修正算法。该算法主要从用户偏好,共同评分项数量以及用户之间相似性度量三个方面对传统方法作了改进。在二个标准数据集上的实验结果验证了所提算法的优越性。(4)传统基于相似性计算的近邻选择不够准确可靠。基于此,提出了一种基于信息熵的协同过滤算法。该算法首先引入了信息熵去刻画用户不同偏好,然后利用大间隔方法联合用户信息熵和相似性来实现高质量近邻的选择。实验结果显示:所提算法有利于进一步提高推荐质量。