20世纪末，个性化推荐首次给出了具体的概念。之后，各种推荐技术在近些年发展非常迅速。比如：信息检索、基于内容的推荐、基于关联规则的推荐、协同过滤技术以及混合推荐等等。其中协同过滤算法能够跨商品类型进行推荐；能够帮助用户找到新的兴趣点；能够利用用户对项目的评分作为基础数据为用户产生推荐，这充分发挥了用户在购物中的主观能动性，是个性化推荐算法中的佼佼者。但随着用户和商品数量的日益增加，一些新的问题也就出现了。比如冷启动、评分矩阵数据稀疏、系统的可扩展性还有用户兴趣变化时应该怎么样给买家提供更准确，更及时的信息等问题。针对以上几点问题，在本文中提出相应的解决方案，以希望使协同过滤算法有更好的性能。通过研究发现聚类技术可以很好的解决系统可扩展性的问题，并使用一种改进的k-means算法，在解决可扩展问题的同时，减少孤立点的产生；传统的相似度计算在矩阵稀疏的情况下很难反映用户间的相似性也不能及时的反映用户的兴趣转移，所以本文使用一种改进的相似度计算方法，这种方法可以在一定程度上解决稀疏性问题并且能够更好的反映用户的兴趣变化。经过实验验证，在对算法做出以上两方面改进的后，可以较为有效地解决传统协同过滤算法中存在的数据稀疏性、可扩展性以及用户兴趣变化等问题，并在推荐质量方面有所提高。从而证明了算法改进的可行性以及有效性。