协同过滤技术是目前推荐系统中应用最为广泛和成功的技术之一,其基本思想是利用与目标用户兴趣相投、拥有共同经验群体的喜好来为目标用户推荐感兴趣的信息。协同过滤技术被广泛应用于电子商务、社交网络和学术信息查阅等Web2.0服务当中。如Amazon、Net-flix、e Bay等网站都采用协同过滤算法进行商品推荐。但是,传统的协同过滤存在诸如扩展性、稀疏性和冷启动等问题。随着电子商务的飞速发展,扩展性问题变得尤为突出,由于计算资源和速度的限制,当推荐系统的用户和项目增长到一定数目时,计算效率将大大降低,以至于无法满足用户的需求。如何解决推荐系统的可扩展性问题已然成为了一个巨大挑战。此外,推荐系统中每个用户所涉及的项目占系统项目总数量的比例非常小,因此用户对项目的评分数据是非常稀疏的,数据稀疏严重影响了系统的推荐准确性,如何解决推荐系统中数据稀疏问题也是当前推荐算法研究的热点。本文针对上述协同过滤技术存在的可扩展性问题和稀疏性问题,分别从用户聚类和用户项目间关系联合聚类两个方面进行研究改进,提出了如下两种算法:基于聚类模型和记忆的混合协同过滤推荐算法和基于用户和项目间关系联合聚类的协同过滤推荐算法。首先,针对可扩展性和推荐效率问题,本文将聚类算法引入到传统的协同过滤算法中,提出了一种基于聚类模型和记忆的混合协同过滤推荐算法。传统的协同过滤推荐系统面临可扩展性差的问题,随着如今互联网用户和项目数量的飞速增加这种缺点愈加明显,导致实际应用中实时推荐效率降低。基于聚类模型和记忆的混合协同过滤推荐算法通过离线聚类减少了搜索最近邻居集的搜索时间,从而节约了在线推荐的时间消耗,提高推荐效率,使系统的可扩展性大大提高。此外,针对目前协同过滤算法面临的数据稀疏性问题,提出了一种基于用户和项目间关系联合聚类的协同过滤推荐算法。算法通过融合用户-项目评分记录,用户-用户社交关系和项目间关联三种信息进行联合聚类建模,根据聚类模型实现多类别综合推荐,显著降低了数据稀疏带来的影响,提高了协同过滤推荐算法的推荐质量。