随着互联网的蓬勃发展,互联网信息呈爆炸式增长,网上的信息资源越来越丰富,面对这么多海量的信息,用户在查找自己感兴趣特定的信息或者购买自己喜爱的商品时候会花费大量的时间,这些过载的信息着实给用户带来了新的困扰,面对这种情况下,如何找到用户所需的内容信息,如何在特定的时间和特定的地点为用户提供个性化服务已经变得越来越急迫,随后有很多类型的推荐系统产生,其中协同过滤推荐系统应用最为广泛。本文开始先介绍了推荐系统的研究现状,之后介绍了推荐系统和节目推荐系统中一些常规的算法,然后简单的介绍一种推荐系统的框架结构模型,然后介绍了本文研究的重点,推荐系统中算法的改进和相似性度量方法的改进：在数据稀疏条件下,因为用户-项目的评分数据比较稀疏,用户间共同评分的对象较少,如果用传统相似性度量方法来计算的话,使得系统推荐的准确性降低,因此我们提出了改进调整后的余弦相似度的方法,实验证明该方法能够有效的避免用户间共同评分的对象稀少而造成的问题,从而能够有效的提高系统的推荐准确性。本文主要研究推荐系统中协同过滤算法,我们提出了一种改进推荐算法,它是用自组织神经网络(SOM)优化改进后IK-means聚类算法。整个算法分为两个阶段,在第一个阶段,用SOM聚类得到初始的簇和每个簇的中心点,然后在第二阶段,第一步首先要改进基本的K-means方法,用我们改进后的调整后的余弦相似度来计算用户与聚类中心的点相似度大小,当计算聚类的平均值的时候,仅仅考虑所有给项目评分的用户；然后我们将第一阶段得到的聚类中心和数目作为改进后K-means的初始输入值,IK-means得到合适的初始值后将会的得到比较精确的聚类结果。实验结果证明,与没有用SOM优化的基本的K-means,改进的IK-means相比,优化后的算法提高了聚类精确度,与常用的slope one算法相比,提高了推荐的精确度,更适合应用在协同过滤推荐算法中,从而大大提高推荐的正确度。