随着计算机信息科学技术、互联网信息技术和移动互联网络的高速发展,现代通信技术与信息传递手段的逐渐完善成熟,我们正处在“信息过载”的时代。如何在海量的信息中提取出有效的信息并将其提供给用户就成为一个研究热点,由此产生了推荐系统。众所周知,推荐系统将信息和用户进行连接,并在网络购物、通讯等各个领域发挥着十分关键的作用。协同过滤算法是推荐算法中最著名的并且使用最多的算法之一,但是它存在冷启动、矩阵稀疏等问题。神经协同过滤算法是在协同过滤的基础上引入神经网络的一种更高性能的算法,但它跟其他推荐算法一样,在更高稀疏度的数据集上性能会降低。本文针对传统协同过滤算法和神经协同过滤算法中的问题进行研究和改进。本文研究如何解决传统协同过滤算法中的矩阵稀疏问题和神经协同过滤算法在更高稀疏度数据集上性能下降的问题,提高了推荐系统的推荐效果。本文主要完成以下两个方面的工作:第一,针对传统协同过滤算法中的用户-项目评分矩阵的稀疏性较高,导致传统基于项目的推荐算法推荐质量下降这一问题,提出了基于指数预测的协同过滤算法。首先,对目标数据集的用户-项目交互数据进行预处理,根据目标用户和目标项目按时间排列后的历史行为数据分别计算出用户的指数平滑预测值和项目的指数平滑预测值。其次,根据用户和项目的指数平滑预测值计算出每个用户对于每个项目的假设评分值,用该值作为用户-项目评分矩阵的缺失值。最后,使用基于项目的协同过滤算法计算出目标评分预测值。为了验证所提算法的有效性,本文使用Movie Lens-1M数据集来进行实验,最后得出的实验结果证明了新方法的有效性。第二,针对神经协同算法在更高稀疏度的数据集上性能下降的问题,本文提出了基于注意力机制的神经协同过滤算法。首先,对数据集进行预处理,按时间序列排列数据集并提取出每个用户的历史行为序列,之后将历史行为序列和目标项目嵌入向量输入注意力激活单元计算注意力得分。其次,将得到的注意力得分与对应的历史行为项目相乘加权后,和用户嵌入向量还有项目嵌入向量分别输入广义矩阵分解模型和多层感知机模型中进行学习。最后,两个模型的输出结果共同进入输出层得到输出结果并且生成推荐列表给用户。为了验证所提算法的有效性,本文使用Movie Lens-1M数据集和国内淘宝平台开源的用户数据集User Behavior来进行实验,最后得出的实验结果证明了所提方法的有效性和准确性。