推荐系统作为处理信息爆炸的一种重要技术手段,可以帮助用户于繁杂的信息中,快速获取所需信息。结合当下5G技术快速实施、边云协同技术迅速发展,未来用户产生的数据量快速增加,随之而来的问题是用户面临的数据选择越来越多,然而用户的时间和精力有限,无法从繁杂的数据中获取所需信息。推荐系统虽然已经提出多年,但仍面临冷启动、推荐准确率低、评价指标不完善等问题。本文基于协同过滤算法,从推荐系统的数据分析分类入手,借鉴了经济学中“帕累托法则”,对数据进行聚类分析;在设计算法时,基于协同过滤算法,同时考虑了数据的时序性,提出了时间敏感因子,以实现推荐结果条件反射级动态调整,同时情景感知系数,智能感知推荐情景,根据推荐情景模块实时感知当前情景,做到实时个性化推荐;对现有的评价指标进行可行性和有效性论证,对推荐结果进行分析表明,提高了推荐的准确率,提高了用户的服务体验。本文主要研究成果如下:（1）实现了数据预处理可视化。对于推荐数据,实现了数据预处理可视化,主要进行数据的清洗和分析,利用箱体图、拉格朗日插值法、主成分分析法等方式对数据进行脏数据的清洗,并对数据集的长尾效应进行分析和可视化,以便对数据有一个整体的把握和了解。（2）设计了协同过滤模型。对于计算物品相似度阶段,设计协同过滤模型,其中针对头部和尾部数据分别进行处理,头部数据考虑到时间敏感、物品特征稳定性等因素,利用协同过滤模型进行分析处理,计算物品相似度,生成推荐列表候选集,对于尾部数据则利用K-Means算法进行聚类处理,以便更好地进行协同过滤处理,最后生成推荐列表候选集。（3）设计了候选列表推荐模型。对于生成的推荐列表候选集,采用图论中的二分图模型表示,然后定义交替路经和增广路径,对二分图进行探索推荐,以缓解物品的长尾效应。