伴随着互联网技术的快速发展、网络信息资源的爆炸式增长,人类进入了大数据时代。如今,日趋严重的信息过载问题造成了用户难以准确获取所需个性化资源的局面。个性化推荐技术由于能够实现对海量信息的精准化过滤,帮助用户快速获取个性化的资源而逐渐被广泛关注并应用。在诸如电商、电影、短视频等领域,个性化推荐技术已经成为解决信息过载不可或缺的方法。个性化推荐技术在商业领域的大规模应用,促进了商业领域的发展,同时商业领域的发展又对推荐技术提出了更高的要求。目前针对信息过载这一问题,采用协同过滤算法的个性化推荐技术是应用最为广泛和成功的。但传统的协同过滤算法在进行用户相似度计算时考虑因素单一,仅以用户评分相似度作为衡量标准使得用户相似性的计算存在缺陷,继而造成推荐算法准确性难以满足用户的需求。同时,随着网络数据规模的急剧增加,推荐算法在分析大量数据时导致网站运行时间过长、性能降低,其实质是推荐系统中存在扩展性不足问题。为了缓解上文提到的制约推荐系统广泛推广的两个问题,本文从如下两个方面进行改进:（1）针对协同过滤推荐算法中由相似度计算不合理、流行度偏置等引起的推荐准确性不足的问题,本文提出了一种基于相似度计算改进的协同过滤算法。首先,通过用户评分时间特征对原始的相似度计算方式进行改进;其次,考虑到流行度偏置,在皮尔森相似度计算方式中对流行项目添加惩罚因子;最后,融合用户评分周期性特征与惩罚因子,形成新的相似度计算公式,使计算结果更加准确,从而提升协同过滤算法的推荐准确性。（2）针对协同过滤算法扩展性差、系统性能受到影响的问题,本文提出了一种优化初始聚类中心的K-means协同过滤推荐算法。采用计算任意两样本间距离的方式选出所有样本中距离最近的两点,形成集合,根据点与集合的计算公式搜寻与集合距离最短的点,直到集合内数据数目大于或等于α（α为样本中数据点总数与聚类中的簇数目的比值）,接着将该集合从样本集中删除,重复迭代以上步骤得到与初始设置类中的簇数目相同个数的集合,以集合的均值作为初始中心进行聚类。在得到的用户簇内部使用协同过滤算法,通过缩小目标用户的搜索空间和降低算法的时间复杂度来实现改善推荐扩展性及提高推荐性能的目的。为验证相关算法的有效性,本文采用Netflix提供的电影评分网络数据集展开实验并进行对比分析。实验结果表明,本文改进的相似度计算方法STS与常用的相似度计算方法相比,在MAE和RMSE两个指标上降低的平均值分别为3.91%和2.81%,表明STS算法的推荐结果准确性得到一定程度的提高。本文所提出的K-STS算法在运行效率上比传统的协同过滤算法提升了55.63%、准确率在F1指标上提升了47.34%,同基于K-means的协同过滤算法相比在运行效率上略有降低,但准确率在F1指标上提升了48.78%,证明了改进的K-STS算法能够有效提高推荐的准确率,并在一定程度上缓解了系统扩展性不足的问题。