近年来,推荐算法在现实生活中如亚马逊、淘宝等的实用价值越来越高但同时也面临着数据稀疏、推荐结果精度低等问题.许多学者已提出了很多不同类型的优秀算法,协同过滤作为推荐系统中比较成熟的算法之一,仍存在一些譬如相似度计算不精、搜索近邻范围大等问题.针对以上问题,本文从以下方面着手研究:(1)首先,本文提出一种基于评分信息和动态演化聚类的协同过滤推荐算法.为了得到更稠密、更可靠的用户项目评分信息,对评分信息作降维以及标准化处理,并在此基础上定义了动态演化聚类原则对用户进行了用户组划分;又从寻找最近邻方法上着手,将用户的满意度以及用户对项目评分带来的潜在信息相结合提出用户关联程度来衡量用户之间的关系,并将用户关联程度运用在组内寻找目标用户最近邻.为了验证算法的效能,以Movielens数据集为试验对象,实验结果表明算法对提高推荐精度具有一定的优势.(2)其次,考虑了用户项目属性,定义用户属性相似度和用户偏好项目类别差异性,将二者融合构造了用户邻接矩阵;紧接着利用Kmeans算法对用户进行了组划分,缩小目标用户最近邻的搜索范围,并在组内对目标用户进行预测评分;最后采取后加权融合将基于评分信息和基于用户项目属性协同过滤算法的预测评分进行线性加权,即同时考虑用户项目评分信息及用户、项目属性等多因素对用户关系的影响.实验部分对权重因子进行了分析,同时也验证了所提出算法在预测和推荐精度上的有效性和可行性.