互联网信息的爆炸性增长是当今时代蓬勃发展的标志。信息数据量增长速度之快已经大大超出了人们的接受范围,人们在面对广泛的,各种各样的信息时时常会感到无助。在搜索引擎不能满足人们日益增长需求的时候,推荐系统成为了满足用户选择的第一选择,对推荐算法的研究近年来一直受到了各领域的重视。经过不断的创新发展,协同过滤技术相较于其他推荐技术应用更加广泛。但随着互联网相关技术的革新,不断增加的用户和不断更新的物品对推荐系统的要求也越来越高,协同过滤算法存在的问题不断暴露出来,算法本身存在的冷启动等问题都亟待被解决。经过对协同过滤算法问题的研究后,本文首先通过对协同过滤算法中用户相似度计算方式进行改进,设置了用户之间的共同评分项、差异评分项;考虑到时间因素的影响,添加了时间因子项;针对项目类别不同,设置了用户对项目类别偏好相似度;最后结合三方面因素,设置了权重系数形成新的用户相似度计算公式。其次,利用布谷鸟搜索算法能够确定全局最优解的特点优化K-means聚类算法,形成了CS-KM聚类算法,接着融合用户相似度和项目相似度以更准确描述用户或项目之间的相似性关系,加权融合用户和项目的预测评分,形成最终的评分结果。在此基础上,本文基于协同过滤算法的基础上进行改进,融合聚类算法,构成了融合聚类的协同过滤推荐算法CS-KMCF,实验结合公共平台的标准数据集,实验后发现该算法在RMSE评价指标上得到了验证,很大程度上提高了评分预测的准确性。综上所述,本文通过对协同过滤算法以及对融合聚类的协同过算法发展现状的研究,创新了融合聚类的协同过滤推荐算法。首先从算法中的关键点—相似度出发,对相似度计算的改进。接着对传统聚类算法做出了改进,在协同过滤算法的基础上融合聚类算法从而提高了推荐的品质。