随着用户数量和项目数量的指数级增长,协同过滤推荐算法迎来了计算量激增的挑战。聚类算法可以在保证协同过滤算法取得较好的推荐准确性的情况下,有效地降低搜索量,因此,成为当前推荐领域研究热点。在基于聚类的协同过滤推荐算法中,传统的聚类算法不可避免地面临聚类群组数k值难以确定的问题,k值的设定通常需要依赖人的经验,没有统一标准。本文梳理相关领域文献,找到一种基因工程领域的联合聚类算法ISA(Iterative signature algorithm),能够有效摆脱对聚类群组数k值的经验依赖。结合联合聚类ISA算法,本文提出一种基于虚拟群组用户的协同过滤推荐算法,较好地提升了协同过滤推荐算法的准确性和可扩展性。论文首先利用联合聚类算法ISA(Iterative signature algorithm)对用户-项目二维矩阵(评分矩阵)进行重叠群组划分,打破了用户单群组归属限制,全面地刻画用户兴趣,统计分析显示ISA可以获得较好的群组划分结果。然后利用虚拟用户技术,对各群组兴趣进行融合,构建了代表群组共性的虚拟群组用户,作为协同过滤的输入依据。考虑到不同用户对于不同项目投入时间不同,论文引入专业度概念,基于专业度加权进行群组兴趣融合,构建了基于专业度加权的虚拟群组用户表示。并与均值策略、中值策略进行对比实验,验证了基于专业度群组融合算法的有效性。最后利用Filmtrust数据集进行协同过滤算法的验证,实验表明算法能够在一定程度上提升协同过滤推荐的准确率及可扩展性。