随着社会经济不断发展,科技水平不断提高,世界迎来了一个崭新的互联网时代。互联网可以为用户展示各种信息,满足用户的各类需求。海量的网络信息在为用户提供便利的同时,也引发了信息过载等一系列问题。如何从纷繁复杂的网络信息中获取最有价值的信息,是互联网时代最亟需解决的问题。推荐系统是解决信息过载问题的有效手段之一。个性化推荐系统可以根据用户的兴趣偏好推荐相关资讯与商品,可以根据用户的社会关系推荐相关服务。协同过滤是推荐系统中应用最广泛的一种技术,该技术通过分析用户对商品的评分或其他行为模式来为用户进行推荐。尽管经过多年的研究,协同过滤推荐技术仍然存在稀疏性、冷启动、准确率低等问题。本文针对传统协推荐算法推荐准确率低与实时性差等问题,提出了基于粗糙聚类的推荐算法。首先将粗糙集理论、K-means聚类算法和基于用户的协同过滤算法相结合,形成粗糙K-means聚类推荐算法。通过分析用户对商品的评价信息,为用户提供推荐服务。在推荐过程中,根据粗糙集理论解决边界数据的归属问题,提高聚类效果。通过聚类算法缩小相似用户的搜索范围,减少相关计算量,提高推荐效率。然后,从数据密度的角度对粗糙聚类算法进行优化,计算每个数据的密度函数,选取密度较大且相互距离最远的数据作为K个初始聚类中心,克服粗糙聚类算法中初始聚类中心随机选取的缺点。通过计算每个数据对所属聚类的影响程度,实现粗糙K-means聚类近似集合的权重自适应,避免聚类结果受到预设权重的影响。同时,基于Weighted Slope One算法的思想,本文提出一种评分修正算法,消除用户历史评分数据中评分偏差对推荐效果的影响。最后,将评分修正算法与基于密度改进的粗糙聚类推荐算法结合在一起,综合提高推荐效果。通过设计对比实验来对本文算法的有效性进行验证。实验结果表明,上述算法可在一定程度上解决传统协同过滤算法推荐准确率低与实时性差的问题,为社会化推荐算法的具体应用做出了有益尝试。