随着Web2.0时代的到来,人们渐渐从信息接收者转变为信息创造者,信息分享也变得更加容易,人们在享受着互联网带来的便利的同时,也逐渐被信息过载问题所困扰。面对浩瀚的、令人眼花缭乱的信息,人们很难快速有效的找到自己的需求,甚至出现信息迷航问题。因此,推荐系统应运而生,用来满足人们个性化的需求。它首先收集用户行为信息,分析用户偏好,向用户提供推荐。在推荐系统技术中,协同过滤技术由于其简单有效的特点,被广泛的使用,并取得了较好的效果。但随着推荐系统规模的不断增长,协同过滤技术也面临着一系列的挑战,尤其是数据稀疏性问题和可扩展性问题。论文主要围绕这两个挑战展开研究。　　1.针对数据稀疏性问题,提出了基于混合相似度的用户协同过滤算法HSUCF。在计算相似度时考虑共同评分项目数目所占的权重,并给出了该权重因子的定义,实现了对相似度计算的修正,实验结果表明本文提出的HSUCF算法能够提高推荐精确度。　　2.针对可扩展性问题,提出了优化的基于用户聚类的协同过滤算法OUKCF。在协同过滤中加入用户聚类可以减少目标用户近邻搜索空间,而且聚类可以离线计算,提高了算法效率,能够满足推荐系统实时性要求。但传统的基于用户聚类的协同过滤算法对推荐精度改进不明显,甚至会有所降低。本文在进行用户聚类计算时,引用前面提到的混合相似度,实验结果表明,本文提出的OUKCF算法也能够提高推荐精确度。