随着Web爆发式地增长,推荐系统已经广泛的被用户所接受。大量的互联网用户增加到形形色色的电子商务网站中去,这就使得推荐系统得到了得天独厚的发展空间。随着系统规模的不断扩大,如何快速有效的对不同的用户做出个性化的推荐已经成为每个推荐系统的首要目标。协同过滤是推荐系统中最流行的技术,然而现有的大多数协同过滤算法都存在着“冷启动”、“数据稀疏性”等问题。与此同时,目前大多数推荐系统往往忽略了用户自身的权重,所有用户的权重都被看成是相同的,这会严重影响推荐系统的推荐质量。综上,如何在数据稀疏的情况下,通过利用用户的权重值来提高推荐系统的推荐质量成为本文主要的研究问题。本文通过分析传统的基于项目的协同过滤算法中存在的问题,提出了一种基于用户排名的聚类协同过滤技术的改进算法,该算法综合考虑了用户权重和用户评分矩阵稀疏性的影响。首先利用PageRank排名算法建立用户排名计算模型,根据这个模型计算每个用户的排名。然后将用户排名加入到传统的项目相似性和差异性的计算方法中,根据改进的项目相似性计算方法对项目进行聚类,找出目标项目的最近邻居候选集,根据改进的项目差异性计算方法对目标项目进行预测评分并推荐项目。最后通过实验证明此推荐结果同基于项目聚类的推荐结果相比有更好的推荐质量。用户的排名在很大程度上决定着用户在推荐系统中的地位。针对用户评分数据稀疏性问题,本文提出了一种基于改进的项目相似性计算方法的聚类方法。该方法在计算项目相似性时加入用户权重,通过该方法计算出项目间的相似性,然后利用K-means聚类方法将系统中的项目聚类。本文提出的基于用户排名的聚类协同过滤算法可以有效提高推荐质量和系统的实时性,为用户提供更准确更快速的推荐功能。