协同过滤算法被广泛的应用到了实际生活的各个领域。由于用户和项目数目的飞速增加,传统的协同过滤算法需要遍历整个数据库里面的所数据。为了寻觅到目标用户的最相近邻居用户,不仅在实时性能不符合用户的要求,而且推荐精度也较低,用户体验将会很糟糕。所以在这样一种情况下通过如何改进算法,把推荐系统的实时响应的时间尽量减少到最小,并且增强推荐系统的可扩展性,提高推荐精度已经成为了目前推荐算法研究急需解决的难题。本文主要工作如下:(1)针对协同过滤算法在整个样本空间搜索最近邻居时需要花大量时间的问题。利用杂交水稻优化算法改进K-means聚类算法(Hybrid Rice optimization K-means Alogrithm,简称HRKM算法),从而避免因为随机选取初始值导致聚类效果差,提高了K-means聚类算法的性能。使用HRKM算法将用户进行聚类,通过用户聚类缩小近邻用户的搜索范围,并减少系统中的计算量。解决了推荐系统的可扩展性问题,减轻了“数据稀疏性”带来的影响,并且因为类似的比较是在具有相似偏好的相同类别中执行的,所以可以提高推荐结果的准确率。(2)针对海量数据致使推荐系统的结果与实际有一定的差距甚至准确率不高的问题。在原本单纯使用协同过滤算法的基础之上,本文实行相似度加权,通过连续优化来获得最高推荐准确率。采用杂交水稻优化算法求解相似度权重,修正相似度的计算方式以提高推荐精度。通过实验分析,杂交水稻优化算法可以有效的提高K-means算法的性能。将HRKM算法引入到协同过滤推荐,可以降低实验的复杂度,最终减少了数据稀疏性带来的影响,加大了推荐结果的准确度;接着利用杂交水稻优化算法求解相似度加权,通过杂交水稻算法对权值的优化,有效地提高了推荐系统的推荐精度。基于HRKM的相似度最优加权协同过滤算法与传统的协同过滤算法相比较,在平均绝对误差上有着很大的降低,并且有效地提升了推荐系统的整体性能。