随着网络的兴起,互联网时代早已到来,无论是在办公场所还是在家里,无论是在户外还是在户内,手机都是每个人寸步不离的便捷工具,手机早已成为现代人生活中必不可少的工具。目前市面上手机软件千千万,使用软件的用户想要从中获取到自己感兴趣的内容,早已不完全依赖于用户自己的力量。如果一个软件想要获得长足发展,那么就必须要在内容上寻求差异化,向用户精准提供他们感兴趣的、新鲜的内容,让用户使用软件的体验感更好,黏性更高。而推荐系统正是各个软件获取用户的抓手,利用推荐系统不仅可以向用户提供个性化推荐,还能精准推荐用户感兴趣的内容,如此软件便能有更好的发展以及更高的市场占有率。传统的协同过滤推荐算法存在3个问题:一是评分矩阵维度较大,这就使得计算量较大;二是矩阵较为稀疏,大量的未评分项目会影响相似度的计算结果,从而导致推荐效果不好;三是数据的动态性,用户的喜好会发生变化,用户以及项目的类别也会发生变化,这对算法的响应时间以及准确度都是考验。本文的基于项目聚类的推荐算法可以解决传统协同过滤算法的问题,而SVD奇异值分解可以丰富推荐的种类,增加算法的多样性。本文对数据集进行描述性统计,初步了解数据集,继而对数据进行预处理,得到用户-项目评分矩阵。利用基于项目聚类的协同过滤算法、基于SVD奇异值分解的推荐算法,对数据集进行实证分析,分别得到推荐列表以及评价标准的数据值,便于与混合推荐系统的效果进行比较。利用基于项目聚类的协同过滤算法对数据进行分析,根据目标用户评分过的项目寻找近邻项目,并得到各个近邻项目的预测评分;利用SVD奇异值分解法,得到目标用户未评分部分的预测评分,将两个算法得到的预测评分混合后进行排序,得到混合推荐算法的推荐列表。根据评价标准的数据值,将混合推荐算法与三个独立的算法的效果进行比较,同时结合推荐列表是否具有多样性,得到混合推荐算法效果最优的结论。本文基于传统协同过滤算法的三个问题提出了基于项目聚类与SVD奇异值分解的混合推荐算法,首先根据用户评分对所有项目离线进行聚类,生成对应的聚类中心,然后根据目标项目与聚类中心的相似性,只需要扫描与目标项目相似性最高的前若干个聚类就可以找到目标项目的大部分最近邻居,从而有效提高推荐系统的实时响应速度。实验结果表明,本文提出的项目聚类与SVD奇异值分解的混合推荐算法可以提高推荐系统的在线响应速度,从而有效解决推荐系统处理大规模数据面临的实时性问题。同时借助SVD奇异值分解增强了推荐列表的多样性,从而有效解决了用户对相似的推荐存在疲倦的问题。