随着Wleb技术在互联网中发展,用户不再是简单地从网络中获取信息,而是采取更加主动的方式产生信息。由于用户数量的急剧增长,以用户为中心的信息产生模式,导致了互联网信息量呈现飞速增长,这种现象被称为“信息过载”。该现象是指在海量信息面前,人们无法迅速准确地获取对他们有用的信息。为了解决“信息过载”问题,推荐系统由此而产生。推荐系统不要求用户提供准确的需求,而是根据对用户的过去行为进行分析,从而推测出用户在将来可能需要的信息。当前,在众多推荐技术中,协同过滤推荐技术由于它独特的优点,在电子商务中取得了广泛应用。虽然协同过滤推荐算法的研究工作已经取得许多成果,但依然存在很多问题亟需解决。比如“冷启动”、“可扩展性”、“数据稀疏性”等问题,这些问题的存在,对算法的准确性造成了影响。如何解决上述问题,改进协同过滤算法性能,一直是推荐系统中重点研究的课题。论文主要工作如下：第一,针对协同过滤技术中存在的“冷启动”、“可扩展性”问题,提出了结合用户属性聚类的协同过滤推荐算法ID-CF。该推荐系统通过加入权重的方法,将基于项目的协同过滤算法与K—means算法相结合,显著提高其推荐准确度。在算法中,由于项目之间的相似性和用户聚类可以离线计算,这样可以解决推荐系统的可扩展性问题。当一个新用户加入系统时,通过使用聚类算法,可将新用户添加到最相近的用户集,这样可以快速预测用户对项目的评分,冷启动问题也可较好地解决。第二,由于“数据稀疏性”问题对协同过滤算法的准确性有较大的影响,提出了一种结合图模型的协同过滤推荐算法NG-CF,该算法提出一种新的相似性度量标准,即用户或者项目之间的相似性,可以通过图中顶点之间的关系来获得,然后使用K-近邻算法产生预测。实验表明, 即使改变数据稀疏性,预测结果也具有较好的稳定性。“冷启动”、“可扩展性”、“数据稀疏性”等问题是协同过滤推荐算法研究的热点问题,论文是在前人的工作的基础上,仅仅做出一些探索和分析,还有许多问题需要改进。