本文总结了现有的聚类技术与协作推荐系统的研究成果。根据蚁群算法应用于数据聚类分析的最新研究,本文对蚁群聚类算法进行了改进,并应用于信息推荐系统进行相似兴趣用户的聚类,结合Agent理论和技术研究设计了基于Web下协作推荐系统结构,对基于Agent的协作过滤与推荐方法进行了探索性的尝试。 论文首先提出基于孤立点改进的蚁群聚类算法ACAO,并进行了相应的实验设计与运行,实验表明,该算法能够有效的控制蚂蚁Agent行为的随机性,快速确定下一个负载节点,加快算法的收敛性,为研究信息推荐系统提供了更具鲁棒性的聚类算法。将该算法应用于协作过滤推荐系统中,对采用向量空间模型表示的用户进行聚类分析,产生相似兴趣用户组,缩减了需计算的用户数目,探讨了推荐系统中的计算量和准确度的相关性。 其次,设计了基于Agent的协作推荐系统模型,根据用户兴趣的变化性,提出了用户兴趣时效性的概念,讨论学习和更新用户兴趣的算法,结合Memory Based Algorithm算法实现信息推荐。最后结合图书推荐事例,进行了相关实验验证和分析。