协同过滤算法作为推荐领域的经典算法之一，因其推荐效果良好，被广泛应用于推荐领域。但其在数据稀疏及冷启动的情况下将导致推荐效果明显下降。为在数据稀疏情况下，充分应用用户的历史信息从而提高算法的推荐精度，本文首先采用改进蜂群算法来优化K-means++聚类的中心点，使聚类中心不在局部范围达到最优而且在整个数据内达到最优，然后根据优化的结果进行集成算法，依据用户属性和项目属性对用户进行聚类集成；其次，针对单一相似度所存在的特性，根据用户的兴趣变化采用联合相似度计算同类用户间的相似度，并依据相似程度对相似用户进行降序排列；最后，将相似用户参与的项目且评分高于该用户评分均值的项目推荐给目标用户，产生推荐列表。经实验表明，文中算法在推荐精度、召回率及平均绝对误差方面优于对比算法，且在数据稀疏时，其性能仍优于对比算法，同时改善初始聚类中心不稳定的缺点。