随着WWeb2.0时代的突飞猛进,我们从信息资源贫乏的年代逐渐走进了信息资源泛滥的年代。日新月异的更新速度蒙蔽了用户的双眼,寻找有用信息消耗了用户大量精力,同样,大量的信息或商品处于困境之中。当人们投入了大量精力却无法从无穷无尽的网络信息中获取到对个人有用的信息时,个性化推荐系统以销售员的角色展现在世人面前,它能够“察言观色”,根据人们的个性化需求做出合理推荐,真正在信息、商品和用户三者当中做到无缝对接。从推荐系统的应用领域和发展进程来看,主要存在以下三个方面难题:当购物网站注册新用户或者添加新产品时系统对其比较“陌生”无法给出推荐列表、消费者只有购买行为但未作出评价或者打分数据相对于产品数量来说仅是九牛一毛从而导致的数据稀疏性问题、随着消费者和产品数目增多使得系统代销增大推荐效率变低的扩展性差的问题。本文从以上问题出发,详细阐述了非负矩阵分解(NMF)和聚类技术的研究现状和应用价值,改进了传统的非负矩阵分解算法,引入了近邻传播聚类思想(APC),提出了修正的NMF算法与近邻传播聚类(APC)相结合的创新思路,旨在有效处理个性化推荐系统中两大制约瓶颈的矛盾:数据稀疏性和扩展性难题。本文的主要工作如下:1、对个性化推荐系统的历史发展情况、应用领域以及研究价值进行了综合性阐述,以此为基础引出了当前推荐系统所面临的发展难题、创新成果并对各种流行的算法进行了详细比对。2、详细论证了近邻传播聚类算法(APC),在此基础上研究了 APC算法和协同过滤相结合的推荐算法,并与当前流行的聚类算法K-means进行了试验对比,展示了 AP聚类方法在处理高维度、稀疏性的数据方面的潜力;全面阐述了非负矩阵分解技术(NMF),提出了修正的NMF方法,将该技术与协同过滤相结合,通过若干次迭代使得分解矩阵充分拟合原始矩阵,有效的解决了数据稀疏性问题。3、在上述研究的基础上,本文提出将APC与NMF相结合的推荐算法,原始评分矩阵通过NMF分解后产生了用户因子与项目因子矩阵,使用APC技术先后对上述两个矩阵实施聚类处理,从而划分不同的消费者和产品类型,而后分别找出其最近邻居用户,最后根据不同的应用场景选择UerKNN或者ItemKNN。4、针对本文提出的组合推荐算法,结合推荐系统的评价指标,利用离线数据与传统算法进行试验比对,证明本算法在推荐速度和准确度上强于传统算法。