随着信息技术的发展和互联网规模的不断扩大，信息过载的问题日益凸显。门户网站和搜索引擎的出现在一定程度上缓解了这个问题，但这些工具所返回的信息都是大众化的，无法满足用户的个性化需求。在这个背景下，个性化的推荐系统就应运而生了。和搜索引擎一样，推荐系统也是一种信息过滤的工具。它能根据用户的背景信息和特定行为，通过推荐算法对其做个性化推荐。不同用户所得到的结果均是与自身背景和行为比较相关的，从而有效的满足了用户的个性化需求。如今推荐系统已被广泛应用于各个领域之中，其中应用的最广泛的是协同过滤推荐系统。但其仍存在着数据稀疏、“冷启动”、算法可扩展性差等问题。近年来有一些学者把聚类算法引入推荐系统之中，通过聚类有效的减小了数据的规模，提高了算法的可扩展性和推荐精确度。但其只是简单的组合了聚类算法和协同过滤算法，没有深入的挖掘聚类与推荐之间的关系。针对传统聚类推荐算法的不足，本文主要做了以下的研究工作：(1)本文结合了二分图映射和用户评分信息，提出了一种带权的映射方法。通过把用户-项目二分图映射到只包含项目顶点的图中，在压缩二分图的同时减少了映射过程中信息的损失，改进了相似度矩阵的计算公式。(2)结合了聚类算法，对项目做聚类，挖掘出内在相似的项目并减小项目空间。传统的项目聚类算法是从项目的角度出发，选择与项目相关的项目类来达到缩小项目空间的效果。本文则从用户的角度出发，缩小项目空间并减少用户兴趣的漂移，从而提高了准确率。(3)本文充分考虑了用户的兴趣偏好信息，深入挖掘用户对每个项目类的兴趣度以及物品在类内的权重关系，提出了一种新的推荐权值的计算方法。