现今,互联网技术突飞猛进,互联网用户数目飞速攀升,网上阅读市场也逐步扩大,通过网络在线阅读的用户数目达到了近4亿。在海量的书籍中用户究竟该怎么选择,而提供服务方又该怎么做以帮助用户做出选择。推荐系统针对这一类问题应运而生。目前在推荐系统中使用最多的算法就是基于协同过滤的推荐算法,该算法实现简单,效果相对较好,但是也会面临很多的问题。随着用户和项目的数量增多,传统的协同过滤算法会逐步显现出一些不足,其中数据稀疏性和冷启动等问题是最为常见且严重的问题。而近年来机器学习逐渐兴起,为了解决传统推荐算法这方面问题,在传统的推荐算法中引入了机器学习的相关算法,其中使用最为广泛的就是聚类算法。本文主要工作如下:首先,针对传统的协同过滤算法在数据稀疏情况下推荐结果差的问题,本文引入了模糊C-Means聚类(FCM)分析算法,但是传统FCM算法计算相似度使用的是欧几里得距离计算公式,计算时没有考虑到对象属性的影响,因此本文使用熵权法对欧几里得计算公式进行改进,并在此基础上提出基于改进的FCM协同过滤算法:在协同过滤算法使用前先对数据进行FCM分析,然后分别在不同的用户簇和项目簇中使用协同过滤算法,进而缓解传统协同过滤算法在数据稀疏情况下推荐效果差的弊端。其次,传统协同过滤算法在计算相似度时通常没有充分考虑用户或项目的属性对相似度的影响,本文在传统协同过滤算法的相似度计算过程中引入了熵权法,并提出了基于熵权法改进的协同过滤算法:在传统协同过滤算法的相似度计算时,引入熵权法为属性赋权值,然后再进行协同过滤算法中的相似度计算。最后,为解决传统协同过滤算法的冷启动问题,本文通过研究发现Slope One算法对冷启动问题有很好的缓解效果,本文引入了Slope One算法,并通过加权组合的方式将该算法与改进的协同过滤算法组合,提出了基于改进的混合推荐算法,然后再进行实验。实验结果表明,本文提出的改进的协同过滤算法以及混合推荐算法在推荐准确度上有显著提升,使数据稀疏和冷启动等问题得到了有效的缓解。在本文实验完成之后,使用改进的混合推荐算法,实现一个B/S架构的阅读推荐系统原型。