计算机和移动电子设备的普及,计算硬件和软件的快速发展,人们的互联网参与度的提高,使得互联网上的可用资源越来越多,用户如何在这些繁杂的信息中快速准确地找到真正感兴趣的内容是亟待解决的难题。最初解决上述“信息过载”问题的是能进行信息过滤的搜索引擎,然而互联网用户智能化个性化需求的增加,原来的搜索引擎并不能提供这种服务。在这种情况下,更加以人为本的个性化推荐服务应运而生了。个性化推荐服务的核心是个性化推荐技术,通过对用户行为、属性特征、信息特征等的分析,系统为用户推荐那些他们真正感兴趣的内容。从二十世纪末到二十一世纪初,电子商务的崛起让个性化推荐技术的应用更加广泛,同时,互联网的其他领域也纷纷引入该技术以增加用户粘性、争取更多的流量。通过个性化推荐服务,互联网用户能在更短的时间内准确地找到于自己有用的信息,并获得意想不到的惊喜。同样地,信息提供者也能提高自身资源的曝光率,增加在竞争者中脱颖而出的几率,提高用户点击的转化率和用户忠诚度。推荐算法是个性化推荐服务中的关键技术,目前使用最广泛也最成功的是协同过滤个性化推荐算法,该算法的分析对象是用户的历史行为。然而,用户有限的行为相对于目前互联网庞大的用户量和信息量是非常稀疏的,这会导致算法在衡量用户的兴趣偏好的时候出现偏差,即推荐算法中的数据稀疏性问题。本文的研究以推荐系统中的稀疏数据为基础,通过深入的研究传统的协同过滤算法,本文提出一种基于稀疏数据粗粒化的个性化推荐算法,主要工作如下:(1)针对本文研究的问题,深入了解当前已有的个性化推荐算法以及解决数据稀疏性问题的方法,重点研究应用最为广泛的协同过滤算法。同时,为了解决数据稀疏性问题,研究大量数据粗粒化处理技术,为本文的研究提供理论支持。(2)提出用户归属度这个指标来代替单个的行为表征用户的喜好,这是本文算法的关键。由于传统的协同过滤算法基于用户的共同行为来衡量他们的兴趣相似性,所以稀疏的用户行为会导致相似性计算的不准确。在大量文献研究与整理的基础上,本文使用粗粒化处理技术对被推荐对象进行簇划分,然后计算用户对粗粒度的簇的归属度,以这个宏观的指标来代替微观的单个行为表征用户。将稀疏的评分矩阵转化为稠密的归属度矩阵,以解决数据稀疏的问题。(3)在粗粒化处理稀疏数据之后,对用户进行个性化推荐。在多个真实数据集上进行实验,通过与传统协同过滤算法的对比,验证本文提出算法的优劣,并分析实验过程和结果。