在互联网迅猛发展的同时,人类所获得的信息资源的数量也在急剧增长。面对这个信息过载的互联网时代,为了帮助人类快速有效地筛选出有用的信息数据,推荐系统应运而生。推荐系统的核心是推荐算法。在众多的推荐算法中,协同过滤(Collaborative filtering,CF)算法是目前推荐系统经常使用的算法之一。CF算法首先通过搜集用户的过去行为数据来发现用户的个人喜好,然后根据用户喜好的不同对用户进行分组,最终推荐给目标用户符合其喜好的项目。然而,随着电商网站中用户数量以及项目数量指数式增长,数据稀疏性问题、可扩展性问题、计算量大、推荐结果不准确以及实时性差等问题渐渐成为CF算法发展的制约因素。本文首先介绍了推荐系统的发展背景、工作原理以及几种经常使用的推荐算法,对其中的CF算法进行详细描述,深入研究了CF算法的基本思想、工作流程、优点缺点以及评价标准,分析了当前CF算法面临的问题以及相应的解决方案。然后在用户聚类、矩阵数据填充方面,本文对传统的CF算法做了以下改进:(1)针对传统K-means算法随机选取初始聚类中心和k值,容易导致推荐结果不准确的问题。本文在现有的初始聚类中心选取改进工作的基础上,提出了一种改进的初始聚类中心和k值选取方法,该方法以最小生成树局部最优解的思想为基础,使用改进的Kruskal算法,进行用户聚类,生成k个用户簇,得到更加准确的用户聚类结果,从而有效地缓解了算法的可扩展性问题、用户冷启动问题,减少了计算量。(2)考虑到数据稀疏的问题,本文提出了一种改进的数据预填充算法,该算法在改进的Tanimoto系数(广义Jaccard系数)的基础上,得到了更合理的用户相似度,提出了新的预测公式,计算出目标用户对未评价项目的评分值,并将该值补充到用户相似度矩阵中,降低了矩阵数据的稀疏度。(3)采取层叠的组合方式将改进的K-means用户聚类算法与改进的数据预测填充算法进行有机结合,该组合算法同时解决了数据稀疏性问题、可扩展性问题、用户冷启动问题,降低了时间复杂度,提高了推荐精度。最后,本文以Movie Lens数据集作为实验数据进行实验,验证本文提出的改进的协同过滤算法的有效性和可执行性。