通过分析传统协作过滤推荐算法面临的数据集稀疏性问题及当前解决方法的优缺点，在基于项目的协作过滤推荐算法的基础上，提出了一种综合用户特征和项目属性的协作过滤推荐算法。通过分析不同特征的用户对项目的各种属性的兴趣度，综合已评分的项目属性预测未评分项目，降低数据集的稀疏性，提高项目相似度计算的准确性。在MovieLens数据集上的实验结果表明，在数据极端稀疏的情况下，能够有效地降低数据集稀疏性，并在一定程度上缓解了协作过滤推荐算法中的冷启动问题，提高了推荐算法的预测准确度。