在电子商务为越来越多用户提供便利的同时,它的结构也越发复杂。用户拥有了更大的选择空间,然而海量信息的同时呈现,也让用户无法快速准确地寻找到自己想要的商品。推荐系统就是为解决这样的困境产生的,它能为用户个性化定制,产生用户希望看到的结果。如今,几乎所有的电子商务网站都应用了推荐系统,例如淘宝、ePay等。为了能产生更高的推荐质量,技术人员已经提出了多种推荐技术,包括基于内容的推荐,协同过滤推荐,关联挖掘推荐等。然而随着研究的深入以及用户要求的提升,推荐算法渐渐暴露了诸多缺点,例如协同过滤推荐的冷启动和数据稀疏性问题、推荐质量和实时性的平衡等。本文主要对基于内容和协同过滤算法进行研究,具体内容如下:(1)对推荐算法的发展情况及关键技术进行综述;(2)针对协同过滤算法运行时间长、推荐速度慢的缺陷,提出了将k-means聚类应用于协同过滤算法,通过离线预处理用户—项目评分矩阵对用户进行聚类,并生成虚拟用户空间,替代全部用户的集合,缩小了邻居用户的搜寻范围,可以提高在线推荐的实时性,解决了传统协同过滤算法的速度瓶颈问题;(3)在改进后协同过滤算法的基础上,提出了基于内容和改进后协同过滤的混合算法,将用户评分和项目特征相结合,建立用户特征评分矩阵,替代传统的用户—项目评分矩阵,对用户集进行k-means聚类,并进行推荐。改进后的算法不仅能解决传统协同过滤算法的数据稀疏性问题;同时针对新项目,也能根据项目特征与用户特征评分矩阵的匹配,来预测可能对新项目感兴趣的用户,并生成推送列表,有效解决“冷启动”中的新项目问题。实验证明,本文改进的算法在解决数据稀疏、冷启动和在线推荐的速度瓶颈问题方面,有显著的作用,能保证较好的推荐质量。