随着互联网的大规模覆盖和电子商务的飞速发展,不断膨胀的网络信息量和网络资源,将用户带入了一个信息过载的时代。伴随着持续增长的海量信息,网络用户无法迅速地找到自己真正需要的部分。如何从海量的资源中主动为用户定位和推送其可能感兴趣的内容是当前推荐系统的主要任务。推荐系统的最大优点在于能够快速推送用户真正感兴趣的资源,缓解了信息检索的压力。目前,在众多的推荐技术中,协同过滤推荐是其最为成功和应用最为广泛的推荐技术。在协同过滤推荐研究领域中,主要涉及的模型问题多数是数据的稀疏性和可扩展性,以及推荐精度的问题,而k-means聚类算法是一种无监督学习的算法具有良好分类性能,且适用范围广、算法简洁。然而面对数据矩阵稀疏性,聚类算法能有效地根据相似兴趣爱好将用户分配到相同的聚类簇中；聚类产生后,根据邻居用户预测评价目标用户对该商品的评价。但是由于数据稀疏,使得目标用户处在聚类的边缘,对该目标用户的推荐精度较低,鉴于此,本文首先采用奇异值分解技术化解数据稀疏性给数据对象聚类造成的不利影响；然后针对初始聚类中心的随机性,提出的改进算法与协同过滤算法进行融合,并对其进行仿真实验,实验验证了改进算法具有良好的推荐性能。基于奇异值分解的推荐算法的基本思想：首先以协同过滤算法为主体,针对出现的稀疏性数据造成的推荐精度低问题的基础上,采用奇异值分解技术,对评分矩阵进行降维处理,并结合着梯度下降法对用户和项目特征进行更新,有效的避免了过拟合现象的发生,同时克服了零评分用户对相似度计算时出现的推荐不精问题。通过MovieLence数据集的测试,并与传统的推荐时推荐算法进行对比,结果表明该算法在推荐精度方面有较好的改善。一种改进初始质心的k-means聚类算法的基本思想是：针对传统的k-means聚类算法k个初始聚类中心选择上的随机性,造成聚类结果的波动性,提出了一种能够生成比较稳定的初始聚类中心的改进算法；同时,借助均衡化函数有效寻找最佳k值。通过UCI数据集的仿真实验,并与传统k-means聚类算法进行比较,结果表明该改进算法有较好的性能。基于KSVD模型的推荐算法的基本思想是：在引入改进k-means聚类算法对数据对象进行分类处理时出现的高维稀疏性数据对算法造成的负面影响,采用奇异值分解技术,在另一空间进行信息传递重新表达数据。通过MovieLence数据集进行函数仿真,并与其它推荐算法进行对比,结果表明改进算法具有较好的寻优能力。