随着电子商务技术的蓬勃发展,个性化推荐系统迎来了快速发展的好时机,而推荐算法的研究和应用也受到了广泛的关注。然而,近年来由于网络结构越来越复杂,造成了网络数据过度膨胀。面对海量的网络数据,如何才能为用户提供准确而快速的个性化服务,成为了推荐系统应用研究的一个重要课题。本文首先对推荐系统发展历程、相关概念和理论作了综述,并分析了常用的推荐策略及其优缺点,然后说明了本文重点研究的推荐策略是协同过滤推荐策略。目前,协同过滤推荐算法虽然具有良好的应用情景,但仍存在一些缺点。为此,本文提出了以下几点改进:第一,为了缓解数据稀疏下,相似度计算不准确问题,本文对传统的相似度量方法提出了改进。协同过滤推荐算法中最核心的步骤就是相似度的计算,而传统的相似度量方法由于计算结果不准确问题,使得有时计算出来的结果往往与实际不相符。为此,本文利用用户之间的共同偏好度和共同项目评分偏差,对传统的相似度量方法进行了改进;并在此基础上,提出了基于相似度改进的协同过滤推荐算法——ISCF算法。实验结果表明,本文所提的相似度量方法,能够有效的缓解相似度计算不准确问题。第二,针对数据稀疏性问题,本文提出了一种改进的协同过滤推荐算法。由于用户评分矩阵十分稀疏,传统的协同过滤推荐算法很难给出令用户满意的推荐结果。因此,本文从降低用户评分矩阵稀疏度的角度出发,结合聚类分析和预测填充技术,对原稀疏评分矩阵进行评分预测和填充;然后,结合ISCF算法,提出了基于K-means聚类改进的协同过滤推荐算法——KSCF算法。实验结果表明,本文提出的算法能在一定程度上缓解数据稀疏性问题,提高推荐质量。此外,本文所有的实验方式都是离线实验形式,并且实验所选用的数据集是MovieLens100K数据集。