协同过滤算法存在的冷启动问题,难以针对用户偏好做出个性化推荐,导致用户流失;存在的数据稀疏问题导致计算用户或项目间相似度的不准确性,降低了推荐精度;存在的扩展性问题导致计算最近邻居时搜索空间庞大,消耗大量的时间。为了缓解协同过滤存在的问题所带来的影响,本文针对存在的数据稀疏和扩展性问题做了以下工作:针对算法存在的数据稀疏问题,本文依据预估值填充的思想,采用了加权Slope One算法对评分矩阵空缺处进行填充。计算项目类型矩阵中类型相似度和项目评分矩阵中项目相似度,将两者通过参数进行线性组合得到最终的项目相似度,相似度高的前M个作为邻居项目,通过加权Slope One算法对待评分项目进行预估值,并填入用户评分矩阵。引入项目类型相似,可以避免相似度低的项目的干扰,提高预估值的准确性。针对算法存在的扩展性问题,本文引入了聚类的思想。根据评分矩阵获取用户已评分项目数量和评分值;再根据项目类型矩阵获取已评分项目类型;通过计算感兴趣程度提取用户偏好模型,利用优化聚类中心的k-means算法进行用户聚类;计算目标用户与聚类中心点的距离,找到所在的簇,簇中的点作为邻居用户。再结合已填充评分矩阵,利用改进的公式计算目标用户与邻居用户的相似度和预测评分。聚类可以缩小目标用户的搜索空间和降低算法的时间复杂度,进而改善系统的扩展性问题。本文基于MovieLens数据集,对基于项目类型相似加权Slope One算法预测模块在协同过滤中的有效性以及本文算法与其他算法推荐精度的比较两个模块进行实验验证。实验结果证明本文提出的对算法的优化是有效可行的,提高了算法预测的准确度和推荐的质量。