目前,协同过滤技术是个性化推荐系统中使用较广泛、应用较成功的一种个性化推荐技术。但在实际应用过程中,随着推荐系统规模的扩大和内部数据量的增多,协同过滤推荐技术暴露出了"数据稀疏性"、"扩展性差"和"推荐精度低"等问题。针对协同过滤算法存在的不足问题,本文提出了基于分步聚类和相似度优化的协同过滤算法。首先,针对协同过滤算法存在的扩展性差和数据稀疏性问题,本文在基于聚类的协同过滤算法基础上,提出一种分步聚类策略。在对项目和用户进行分步聚类操作时,本文引用了一种改进的K-means算法,避免了初始聚类中心选择的过于近邻而导致算法陷入局部最优解。分步聚类策略旨在提高算法的扩展性,缓解评分数据过于稀疏对聚类结果的影响。然后,针对协同过滤算法中相似度的直接计算而导致推荐精度低的问题,本文根据评分预测公式推导出了用户之间相似度的优化算法。并在分步聚类的基础上,利用相关簇类中的评分数据对用户之间的相似度进行训练与优化,旨在不失算法扩展性的同时,提高相似度的计算准确度,从而提高算法的推荐精度。最后,为了验证本文算法的推荐性能,进行了实验验证与结果分析。实验结果表明,与传统、基于用户聚类和基于项目聚类的协同过滤算法相比,本文提出的改进算法提高了协同过滤算法的推荐精度,具有较好的推荐质量。