互联网技术的飞速发展带来了一个全新的时代—大数据时代,人们随时随地都在产生和使用大量的数据。海量的数据资源给人们的生活带来了极大便利,但人们想要很快地找到自己需要的信息变得十分困难,这就是“信息过载”问题。在推荐系统中,协同过滤技术是解决信息过载问题十分有效的方法之一。因此,本文以协同过滤推荐算法为研究对象,对其在实际应用中存在的问题进行了研究分析,基于矩阵填充算法提出了新的改进算法。首先,针对原始数据的缺失率较高对推荐效果造成影响的问题,提出基于矩阵填充的协同过滤算法。考虑到用户—项目评分矩阵的稀疏性和低秩性,通过矩阵填充技术中的OptSpace算法对评分矩阵进行填充,然后根据填充后得到的新的评分矩阵,再用协同过滤算法进行推荐。其次,传统的协同过滤算法和基于矩阵填充的协同过滤算法根据相似度寻找最近邻居用户的搜索范围都是整个数据空间,计算量太大,耗费时间,算法的推荐效率不高。此外,k-means聚类方法对数据对象的划分是硬划分,不符合推荐系统的实际情况,聚类效果不稳定。本文提出了基于模糊聚类和矩阵填充的协同过滤算法,在对填充后的评分矩阵进行协同过滤推荐之前根据用户的信息先对用户进行聚类。该算法将最近邻居用户的搜索范围缩小到某个聚类,减少了相似度计算的计算量,提高了算法运行的效率。最后,为了验证所提算法的有效性,在MovieLens数据集上分次实验进行算法有效性验证。通过实验确定算法的相关参数,找到最优的聚类个数以及最近邻居的个数。然后,将基于模糊聚类和矩阵填充的协同过滤算法中的模糊聚类换成k-means聚类,然后对比两种算法的精确度,实验表明模糊聚类对数据对象的划分更加符合实际情况,聚类效果更好。再对几种协同过滤推荐按算法的运行时间进行了对比。数值实验结果表明:基于聚类方法的算法提高了运行的效率;在确定相关参数的情况下,对四种不同的协同过滤推荐算法进行对比试验,本文所提推荐算法在推荐效果方面优于其他对比算法。