针对拥有少量评分的新用户采用传统方法很难找到目标用户的最近邻居集的问题，提出了一种条件型游走二部图协同过滤算法。首先根据复杂网络理论的二部图网络，将用户—项目评分矩阵转换为用户—项目二部图，采用条件型游走计算目标用户与其他用户之间的相似性；然后根据协同过滤算法预测未评分项目，产生推荐。研究结果表明，在同样的数据稀疏性情况下，基于条件型游走二部图协同过滤算法在MAE和准确率都要优于其他两种传统的协同过滤算法，从而提高了算法的推荐精度；而且当训练值的比例很低时，即数据稀疏程度越大时，算法推荐质量的提高程度越大。