在当前的各种推荐算法中,协同过滤推荐算法是研究最多也是应用最广的一种推荐算法。传统的协同过滤推荐算法中存在数据稀疏性问题、新加入用户冷启动问题、用户兴趣漂移以及用户评分尺度不同导致的评分预测不准确等问题。近年来,出现了很多基于聚类的推荐算法,聚类在推荐系统中的应用使得推荐系统的性能有了较大提高。本文针对传统协同过滤推荐算法中存在的数据稀疏性问题、系统的可扩展性问题以及用户评分尺度不同导致的评分预测不准确等问题,提出了一些具体的改进方案。本文的主要研究内容有:(1)针对Movienlens数据集具有高稀疏、高维度的特点,提出一种新的缺失值填充方式和降维方法。首先计算向量的平均欧式距离得到两个相似向量,然后结合二者的均值对目标缺失值进行填充并实现初步降维;(2)为了进一步增加系统的可扩展性,减少算法实现过程中线上的时间损耗,本文将CFSFDF聚类引入对数据集的处理中,同时对传统的CFSFDP聚类做出了一些改进,消除聚类过程中可能存在的孤立点,实现对所有用户进行聚类;(3)在选取近邻用户集过程中,为了减少用户评分尺度不同对相似度计算结果的影响,本文提出了一种基于余弦距离和欧式距离的用户相似性度量方式;(4)为了进一步提高系统对目标项目评分预测的准确度,本文提出了一种新的融合了目标用户和邻近用户评分均值的评分预测方式。本文在MovieLens数据集中进行了相应的实验,证明了本文算法的有效性。