随着互联网的飞速发展,信息呈现几何级的增长,海量数据问题日趋严重,用户快速获得自己感兴趣的信息变得相当困难。加之移动设备的普及,用户更愿意在移动设备上获取信息。在这样的情况下,个性化推荐系统应运而生。本文在实际需求的驱动下,首先了解推荐系统的理论知识,学习相关推荐算法,然后重点研究了协同过滤推荐算法和k-means聚类算法,并对协同过滤算法进行改进。最后设计和实现了文章推荐子系统。本文做的工作主要有以下几个方面:1.分析了热门对象可能对推荐算法中用户相似度的影响,提出在计算用户相似度时加入惩罚因子,以降低热门对象对用户相似度的影响。通过实验验证,提出的算法的准确率和召回率都有所提高。2.对于协同过滤算法的时间瓶颈及扩展问题,提出了采用聚类算法对协同过滤算法进行改进。在聚类时不单单使用用户的评分信息,而且挖掘了用户评分对象的特征信息,通过这两部分信息为用户偏好进行建模,进而聚类。通过实验验证,改进后的算法的推荐效率与预测准确率都有所提升。在此基础上,综合惩罚因子与用户聚类两种策略来改进基于用户的协同过滤算法。通过实验验证,综合改进比任意的单一改进在推荐效率与推荐质量都要优越。3.根据某公司业务的特定手机应用场景和具体需求,应用提出的协同过滤算法设计并实现了文章推荐子系统。该子系统主要包含用户日志收集与处理模块、用户与推荐对象建模模块、推荐模块和推荐列表展示模块,并且对这四个模块进行设计与实现。