近年来,随着Internet和信息技术的飞速发展,日益严重的“信息过载”和“信息迷向”问题助推了个性化推荐系统的蓬勃发展。个性化推荐系统可以根据用户已有的记录信息,对目标用户所将感兴趣的信息进行推荐,可以更方便的帮助用户找到其所需的信息。推荐系统在应用中具有良好的发展和应用前景,逐渐成为一个重要研究内容,得到了越来越多的关注。协同过滤是目前最成功的一种推荐算法,它能够基于其他用户的观点帮助人们作出选择。它的基本思想:为用户找到他真正感兴趣的内容的好方法是首先找与他兴趣相似的用户,然后将这些用户感兴趣的内容推荐给此用户。但是,随着网上有效信息的数量和商品种类的急剧增长,对推荐系统提出了严峻的挑战,协同过滤推荐中存在一些列的问题亟待解决。本文对此进行了深入的分析和研究,全文主要内容如下:(1)论文对协同过滤算法的设计和个性化推荐系统等关键技术进行了研究。通过对协同过滤改进算法中所存在问题的分析,深入探讨了协同过滤算法中影响推荐质量的稀疏性问题和影响用户满意度的推荐完整性问题。(2)针对项目—评分高维数据的稀疏性和维度效应的特点,引入了高维数据的子空间聚类算法。采用基于用户模式相似的子空间聚类算法对数据进行聚类,改进了协同过滤算法。同时提出了对用户数据进行线下聚类,显著地提高了时间效率。通过实验证明了本文提出的基于用户模式子空间聚类算法,以及在此基础上的协同过滤算法的推荐结果明显优于传统的协同过滤算法和基于K-means聚类的协同过滤算法,在效率和推荐精度上也表现出一定的优越性,特别是在稀疏的用户评价数据集上体现出了良好的推荐性能。(3)在基于用户模式子空间聚类的协同过滤算法的基础上,结合项目相似性的因素对算法作了进一步的改进。同样又进行了仿真实验,证明所提出的改进算法在保证时效性的同时,在推荐的准确性、完整性、多样性等方面均有了进一步的提高。