随着计算机和互联网技术的蓬勃发展,网络中信息量成指数增长,互联网步入大数据时代,信息过载问题日益明显。个性化推荐引擎能够帮助用户从海量的数据中辨别、过滤信息,主动给用户推荐有用的信息,它是解决信息过载问题的一种具有潜力的技术,成为学术界研究的热点之一。协同过滤推荐技术是目前应用最为广泛和成功的个性化推荐技术,但该技术存在大数据和数据稀疏性等缺点,影响了推荐的性能。为提高推荐质量和加快推荐响应速度,研究者们提出对用户或项目进行聚类的协同过滤方法,实验表明获得了较好的效果。本文为进一步提高协同过滤推荐性能,综合考虑用户和项目的二元关系,提出一种双聚类模型的协同过滤推荐算法,即首先对用户和项目同时进行聚类,利用多目标免疫进化算法求解双聚类集,挖掘局部相似模式,完成对用户和项目相似性分组,然后制定合理的相似度策略,计算用户和双聚类之间的相似性,搜索用户的邻居集,再根据预测策略给用户进行项目预测评分,最后在线为用户进行TOP-N推荐。为评估该算法的性能,采用MovieLense数据集进行实验,结果表明不仅提高了推荐质量,而且加快了推荐响应速度,其性能优于其他协同过滤方法。本文提出以用户体验为中心设计推荐系统,为提高用户体验,加快推荐响应速度,本文设计一个离线计算在线推荐的系统结构,并对基于双聚类模型的协同过滤推荐引擎进行设计,最后实现一个推荐引擎原型。