近年来,推荐系统作为一种解决信息过载的有效手段已逐渐被大多数公司所采纳,推荐系统的核心就是推荐算法,而推荐算法很重要的一步就是计算用户与用户之间的相似度。因此,为了提高计算用户之间相似度的准确率,人们把越来越多的目光集中在相似度的计算上。本文针对电影推荐领域的数据稀疏性问题,提出了一种计算用户对电影类型兴趣度的计算方法。通过这个方法计算用户之间相似度的时候,能更好的挖掘出用户兴趣,并能在一定程度上改善电影推荐领域的数据稀疏性问题。本文提出的计算用户兴趣度的方法能有效地挖掘出用户潜在兴趣。首先,基于用户—电影兴趣度矩阵聚类,能避免数据稀疏性的问题,并且也能提高计算用户之间相似度准确率,但是时间效率会有所降低。为了避免这个问题,本文接下来提出了对用户分类的推荐算法。首先,我们根据用户兴趣度计算用户感兴趣的电影类型,将用户分到感兴趣的电影类型中;其次,在计算相似度的时候,为了避免冗余的计算,我们改进了相似度计算公式并引入了阈值,这样就会筛选掉一些“伪相似”的用户。最后,本文在Movielens数据集上进行实验验证,结果表明这个算法能在一定程度上提升推荐的准确度。本文的研究创新主要包括以下几个方面。首先,提出了一种在电影推荐领域计算用户兴趣度的方法,然后基于用户—兴趣度矩阵聚类,最后再结合协同过滤算法进行推荐。其次,本文为了提高时间效率同时为了保证推荐精度的稳定性,基于用户兴趣度对用户进行分类处理。然后在计算用户之间相似度的时候改进了相似度计算公式引入了阈值。论文研究工作表明以上模型可以挖掘更为全面的用户兴趣,对于推荐算法的发展有一定的指导意义。