随着网络信息技术迅猛发展，人们尽管有越来越多获取信息的方式，还是抵不住信息过载问题的影响——越来越难以准确、快速地定位到所需要的信息。个性化推荐系统是缓解信息过载问题，满足用户个性化需求的重要手段。针对推荐系统中传统基于用户的协同过滤推荐算法的数据稀疏、冷启动问题，提出了SUBCF_CK算法。相较于传统算法，SUBCF_CK算法主要改进工作如下：
　　为减轻用户-项目评分矩阵的稀疏问题对推荐效果的影响，SUBCF_CK算法基于项目分类，参考SlopeOne算法线性回归方法，根据用户间线性评分线差对评分矩阵进行填充。
　　对于冷启动问题，一方面，SUBCF_CK算法基于项目分类计算用户间的兴趣相似度，并对其设置影像性权重，以避免当用户间共同评分数据较少时兴趣相似度度量的偶然性；另一方面，利用社会化网络中“三度影响力原则”计算出用户间信任相似度，并将其与兴趣相似度相融合，减少新用户历史评分数据过少对推荐效果的影响。
　　在计算用户最近邻居时，将Canopy算法与K-means算法聚类思想融合，采用“粗聚类”、“细聚类”结合的方式，利用“最小最大原则”来确定聚类个数及初始聚类中心，避免了传统基于用户的协同过滤算法直接应用K-means算法时设置聚类个数及选择初始聚类中心的盲目性。
　　最后，将SUBCF_CK算法与传统协同过滤算法在Yelp数据集上进行对比实验，实验结果表明，SUBCF_CK算法效果更佳。