随着互联网的迅速发展,网络信息也随之增多,信息过载问题日益加剧,面对海量的信息,如何能从中快速发现规律并为用户提供有价值的信息成为亟待解决的问题,推荐系统应运而生。推荐算法作为推荐系统的核心,是影响用户对推荐系统满意程度的重要因素。而目前常用的协同过滤推荐算法虽具有自身优势,但仍然存在一些问题,如由于数据本身的高稀疏性特点,导致推荐算法存在效率低下、准确性低等问题。因此,本文从多角度对算法进行改进,具体的改进策略归纳为如下几个方面:首先,为了提高算法的计算效率,本文引入k-means聚类算法,在搜索近邻集之前,提前对用户进行聚类,使相似用户在同一类簇中,这样查找目标用户的近邻用户时,直接在目标用户所在的簇中查找,有效节省了查找时间。同时,考虑在传统的k-means聚类算法中,选择初始聚类中心时采取随机选取的方式不够科学,于是本文改进了初始聚类中心的选取方式,在随机选择一个初始质心之后,遵从离初始质心越远就越有概率被选为下一个质心的原则,选出剩余质心,改进了传统k-means算法的不稳定性,提升了推荐算法的整体效果。其次,为了解决推荐算法准确性低的问题,从如下方面进行优化:1)传统推荐算法在计算相似度时,由于数据稀疏致使相似度计算不精确,进而导致推荐准确率低的问题。本文依据聚类结果,利用Slope One算法对评分矩阵进行预测填充,并将其转化为多个稠密的小矩阵,以此降低数据稀疏性。2)本文引入信任关系的概念,用于计算两个没有共同评过分的用户之间的信任关系。文中探讨了用户之间的直接信任度、间接信任度以及用户本身的信誉,利用以上三种信任度构建了用户最终的信任度,作为后续计算相似度的一部分。3)考虑用户的喜好是会随时间发生迁移的,本文引入用户兴趣稳定性的概念:在计算过程中融入时间敏感因子,利用方差衡量用户兴趣的稳定性相似度;之后将信任度与用户兴趣稳定性相似度融合得到的初步相似度,并作为k-means聚类时用户间的距离,同时与通过k-menas聚类和Slope One填充后的评分矩阵相似性进行融合得到最终相似度,根据最终相似度从目标用户所在的聚类簇搜索目标用户的最近邻,最后做出评分预测并进行推荐。