在20世纪90年代提出推荐系统的概念之后,经过十多年的发展,推荐系统已经被应用到了许多大型电子商务系统中。在对推荐系统的研究中,如何对现有系统中的推荐算法进行改进,以及提出新的推荐算法是其中的研究热点,其中混合策略的推荐算法是研究的主要内容,而如何避免推荐系统中过拟合问题带来的兴趣缺失和系统的冷启动带来的评价障碍更是算法设计与研究的难点。　　 本文完成的主要工作如下:　　 (1)在对现存的推荐算法进行分析的基础上,指出了这些算法的优点和局限性。认为采用混合策略推荐策略是解决现存推荐系统中缺陷的较好途径,因此设计了一个基于协同过滤和项目聚类的混合策略推荐算法(HybridRecommendation algorithm based on Collaborative filtering and Item clustering,HRCI)。该算法经过项目聚类降低用户向量的维度,简化用户相似度计算。在对项目进行评价估计时,结合了User-based和Item-based协同过滤算法结果作为推荐结果。实验结果表明,该算法在推荐性能上有很好的改善,但是在评分估计方面还存在进一步改进的空间。　　 (2)将隶属度函数应用到数据聚类中,提出了一种用户聚类效果的度量方法。并且在迭代思想和FCM算法(Fuzzy C-Means)基础上,设计了基于层次的隶属度矩阵迭代的IMC聚类算法(Iteration Membership degree matrixClustering)。实验证明,该算法便于确定最佳的用户簇的数目,并且对簇的边界的划分更为恰当。　　 (3)将IMC聚类算法的思想融合到HRCI推荐算法中,提出了一种新的模糊聚类的混合推荐算法(Hybrid Recommendation based on Fuzzy Cluster,HRFC)。并提出了一种初始隶属度矩阵的构造方法,以及基于模糊聚类的项目评分估计方法。实验结果表明,HRFC算法比原有算法提高了项目评分估计的准确度,从而使得算法的推荐性能进一步提高,并且在不同稀疏程度的情况下算法性能稳定,具有较高的实际应用价值。