协同过滤推荐算法是现实世界应用最广泛、最成熟的算法之一。本课题研究的Slope One算法就是一种基于项目的协同过滤推荐算法,该算法因其简单高效的特点受到众多学者的青睐。但该算法将所有用户和项目看的同等重要,当数据集过于稀疏时算法的预测精度和可扩展性都面临严峻挑战。针对这些问题,本课题提出了相应的改进措施。首先,简单介绍了推荐系统产生的背景和研究现状,描述了协同过滤推荐算法的相关知识。紧接着重点讲解了Slope One算法的相关内容,总结了算法的优缺点,并提出相应的改进方案。其次,随着用户和项目数量的急剧增长,计算量也随之增加,该情况会导致算法的可扩展性差。因此本文考虑利用项目分类信息划分评分矩阵,使Slope One算法的相关计算在目标项目所在的分类矩阵中进行。为了区分用户,引入分类专家,即利用专家用户的评分计算项目间偏差;为了区分项目,引入项目动态k近邻,即利用用户对近邻项目的评分计算偏差和预测评分。这种改进方案不仅减小了计算量,同时还过滤了不相关用户或项目对预测结果的影响,提高了推荐精度。然后,考虑到有的数据集不包含项目属性信息,此时采用K-means聚类方法,利用评分信息分别对用户和项目聚类。对于基于用户聚类的方法,需要在目标用户所在的聚类中寻找该用户的k近邻,然后根据近邻用户的评分计算项目偏差;对于基于项目聚类的方法,需要在目标项目所在的聚类中寻找该项目的k近邻,然后根据用户对近邻项目的评分计算偏差和预测评分。该方案同样可以减小计算量和提高预测准确性。最后,通过实验验证本文提出的改进算法的预测准确性优于原算法。