在信息过载的时代背景下,推荐技术可以帮助用户对信息进行有效筛选,协同过滤算法以其效率高、精度准的特点在推荐系统中得到大范围普及。尽管如此,随着推荐系统中的项目和用户数量的快速增长,该算法正面临着严重的冷启动问题,这大大降低了算法本身的推荐效果。因此,为了使推荐算法在冷启动环境下仍能表现出良好的推荐效果,本文对原有的推荐算法进行了改进,改进分为四个方面:一,为解决数据稀疏性会对聚类结果及推荐效果产生影响这一问题,本文基于项目属性间的相似性对评分矩阵进行了预填充,数据稀疏性得以充分缓解。二,针对协同过滤算法中存在的用户冷启动问题,本文引入了用户的人口统计学信息,将用户间的相似度计算公式修改为评分相似性与人口统计学相似性的动态加权,这样系统能够针对不同用户的不同情况对两者所占比重进行动态的调整。当新用户第一次使用推荐系统时,改进的相似度计算公式能够根据用户的人口统计学相似性为新用户寻找最近邻,并产生推荐。三,针对协同过滤算法中存在的实时性差的问题,本文采用聚类算法对用户进行离线聚类。本文优化了k-mean 算法中初始聚类中心的选取,提高算法的稳定性。然后,使用改进后的聚类算法对用户进行离线聚类,将兴趣爱好相似的用户聚集在同一类别中,当新用户到达推荐系统时,对新用户进行在线的聚类划分。“离线聚类,在线划分”可以有效提高寻找最近邻的效率和推荐系统的实时性。四,针对协同过滤算法推荐种类多样性不高的问题,本文提出了一种新的对流行度较高项目的评分进行分阶段惩罚的方法,以损失最小的推荐精确度换来最大程度上的推荐种类多样性提升。改进后的推荐算法在新用户冷启动环境下可以正常工作,本文使用MovieLens数据集对改进算法进行验证,实验结果表明,该算法可以有效缓解数据稀疏性并解决新用户冷启动问题,同时,相比于其他推荐算法,改进算法在冷启动环境下的推荐精确度有所提高。