随着互联网技术的飞速发展,各类数据飞速增长,然而过多的信息带来了过多的选择。为了解决信息过载的问题,推荐系统应运而生,其中协同过滤是推荐系统中相对成功的技术,然而也面临着数据稀疏性,可扩展性等挑战。为了解决传统算法的不足,改进基于用户的协同过滤算法,本文从对高维矩阵降维和改进用户相似度计算方法两个角度进行深入分析和研究,建立一种融入信任因子的二阶段聚类推荐模型。对较为稀疏的原始用户评分数据进行预处理。先根据项目之间的相似性初步预测用户对未评分项目的评分,以此来填充矩阵空缺值,使其变为可以进行SVD降维的稠密矩阵。接着通过SVD方法得到低维度的用户隐式特征空间,以此提高计算效率。在缩小的空间上构建融入信任因子的二阶段聚类协同过滤推荐算法模型。得到用户隐式特征空间矩阵后,利用模糊聚类方法,初步确定每个用户的邻居用户簇;再将信任传递因素加入到本地信任的度量中,挖掘出用户间的潜在关联,缓解了可用信息不足的问题。同时考虑了用户在整个网络中的被信任程度,计算了用户的全局信任度。并将两者结合起来,得到综合信任度的度量方式。通过二阶段的邻居查找,提高了邻居查询的准确度;最后,基于可信邻居群中用户的项目评分,来预测目标用户的未评级项目,从而提高了推荐的准确度。结合前两个研究点使用经典数据集设计实验,首先通过实验找出算法的最优参数,然后将其代入到改进算法中,计算三种经典协同过滤算法与改进算法的MAE值,通过比较得出,改进算法的准确度比另外三种算法都高。再将改进算法应用到搭建的电影推荐系统中去,实现该系统的推荐功能,验证了算法的可行性。