目前,不少平台特别是社交和电商平台,都有成熟的推荐系统,比如腾讯、微博、天猫等,都能够根据用户的信息进行不同程度的推荐。当前推荐系统的相关算法主要有:基于邻域的算法、基于内容的算法、隐语义模型等。在诸多推荐算法中,基于邻域的算法是最基本的算法,基于邻域的算法也称为协同过滤算法,主要包括两大类,分别是基于用户的协同过滤和基于项目的协同过滤。虽然推荐系统在各领域有着广泛的应用,但随着用户及项目的急剧增加,推荐系统也面临诸如“冷启动”、“数据稀疏性”等不足。为了解决其传统协同过滤的一些不足,本课题对以下内容进行了讨论与研究:1.对推荐系统进行了介绍,主要介绍了其概念、类别及评测指标。其中,详细的介绍了协同过滤算法。2.为了提高推荐算法的准确率和效率,本课题在协同过滤算法的基础上,分析了数据稀疏性对推荐结果的影响,提出了基于鲸鱼优化聚类的协同过滤算法,详细介绍了基于鲸鱼优化聚类的协同过滤算法的原理及实现过程。3.在基于鲸鱼优化聚类的协同过滤算法基础上,结合用户的偏好,提出了基于鲸鱼优化聚类和用户偏好的推荐算法。该算法考虑了不同的偏好对推荐结果的影响,从而使得推荐系统的准确率进一步提高。本文在对以上内容进行讨论的基础上,为了验证所提出算法的有效性,进行了仿真实验。实验结果表明,基于鲸鱼优化聚类和用户偏好的推荐算法在推荐准确率上优于协同过滤算法,对协同过滤算法起到了改进作用。