随着5G技术的发展和创新,网络资源数据量也呈现爆炸式的增长。智能终端产品的研发和供给,为移动电子商务(M-Electronic Commerce)的发展创造了良好的契机。移动电子商务推荐系统能够依据用户的购物需求替用户甄选出令用户较为满意的产品。推荐系统的核心是推荐算法。移动推荐系统需要对消费者产生及时的推荐结果,人们对推荐的实效性要求更高了。提高推荐的准确性仍然是当前移动电子商务推荐系统研究的热门话题。针对协同过滤推荐算法出现的问题,人们采取了相应的措施进行改进。本文主要针对的是推荐算法中稀疏性、扩展性问题的解决。有学者提出基于用户k-means聚类和偏好的推荐算法,然而k-means算法在处理非凸函数时,容易陷入局部最优解,并且k-means算法形成的聚类簇多为球状。谱聚类在任意形状的数据集空间内都能对数据进行聚类并且得到最优解,因此提出的依据用户谱聚类的协同过滤算法首先根据用户—项目评分矩阵R(m,n)对用户先行聚类,产生若干个用户中心簇;再根据聚类的结果,选用新的相似度量属性进行用户最近邻的搜寻。本文的不足之处在于面对协同过滤算法中出现的冷启动问题没有做进一步的研究;在验证算法的实验中,我们假设的相似性阈值存在单一性,没有在不同的相似性阈值下做进一步的探讨;在聚类的个数方面,虽然引进了聚类轮廓系数这个概念,但是如果选取的是其它聚类个数,本文也没有用科学的方法进行验证。本文使用Movielens数据集进行证明。通过MAE值的验证,最终证明本文提出的基于谱聚类SM算法的协同过滤算法在移动电子商务系统的运用比传统的协同过滤推荐算法具有更好的推荐效果。