互联网的快速发展使得人类社会面临着严重的信息过载问题,推荐系统是解决这种现象的有力工具。但是传统的协同过滤推荐算法存在数据稀疏性及用户兴趣漂移问题,前者会极大影响相似度计算精度,后者会使得推荐结果不一定完美契合用户需求。本文基于聚类和矩阵分解模型提出两种解决方案,试图解决上述问题。基于聚类,本文提出一种基于用户和项目双重聚类的协同过滤推荐算法DCCF(Double Clustering-based Collaborative Filtering),将评分矩阵从用户和项目两个方面进行聚类处理,以降低数据稀疏性影响。并改进相似度计算方法,将时间信息与皮尔逊相关系数及杰卡德系数结合起来,提出一种新的相似度计算方法P-J-T(Pearson-Jaccard-Time)系数,降低用户兴趣漂移的影响,进一步提高相似度计算精度。基于矩阵分解,本文提出基于用户相似度和项目相似度的矩阵分解算法USIS MF(User Similarity and Item Similarity-based Matrix Factorization),将用户相似度和项目相似度融入损失函数中,能够保证矩阵分解之后不会改变用户间和项目间的相似性关系,同时使得模型更加细化,提高矩阵分解的效果。并且提出两种预测评分的处理方法:映射处理机制(Mapping)能够解决预测评分超出系统评分区间的问题,预测评分取整算法PRN(Prediction Round to Neighbor)对预测评分进行取整处理,能够降低计算误差,提高推荐准确度。本文通过仿真实验研究参数对两个算法的影响,并且验证算法的有效性。实验结果表明,本文提出的两种算法都有效降低了数据稀疏性和用户兴趣漂移的影响,提升了推荐准确度。