用于推荐系统研究的eachmovie和movielens这两个典型数据集的稀疏性分别为97.6%和9

推荐系统是一种利用用户历史行为数据和物品信息，为用户推荐最相关物品的技术。数据集的稀疏性是指用户对物品的评分数据中缺失值的比例。在eachmovie和movielens这两个典型的推荐系统研究数据集中，eachmovie的稀疏性为97.6%，而movielens的稀疏性为9%。

eachmovie数据集的稀疏性非常高，这意味着很多用户对很多物品都没有评分记录。这会带来一些问题，比如很难为那些没有评分记录的物品做出准确的推荐。而movielens数据集的稀疏性相对而言较低，用户对大部分物品都有评分记录，因此可以更准确地为用户推荐物品。

稀疏性高的数据集使得推荐系统难以做出准确的推荐，因为只有很少的评分数据可供参考。为了解决这个问题，常用的方法是利用协同过滤、内容过滤等技术，结合用户和物品的特征，以及已有的评分数据，来预测用户对未评分物品的喜好程度。另外，还可以采用数据补全、降维等方法来降低稀疏性对推荐算法的影响。

因此，在推荐系统研究中，需要考虑数据集的稀疏性，尤其是针对稀疏性高的数据集，需要采取合适的技术手段来提高推荐系统的准确性和效果。