因特网的飞速发展,带领着我们进入了网络的时代。身处其中,我们既享受着丰富的信息资源带来的各种便利,同时也经常被海量数据所淹没,因为我们常常无法从这庞大的数据中找到自己真正需要的那些信息。在这样的背景下,个性化推荐系统适时出现,并且随着网络的发展不断地被应用于各个领域。个性化推荐系统能够根据个人的需要或者喜好做出个性化的推荐,而推荐质量的好坏,依靠的是各种各样的个性化推荐技术。这其中最具代表性的,就是协同过滤推荐技术。协同过滤推荐技术因为极好地满足了人们的需要而取得了巨大成功,但是同样也在发展的过程中面临着许多问题和挑战。数据稀疏性和可扩展性便是其中两个具有代表性同时也亟待解决的问题。本文在对协同过滤推荐技术深入研究的基础上,主要着眼于其中的一种具有代表性的算法——基于项目的协同过滤算法的研究和改进。对于数据稀疏的问题,通过差异度和时间函数的引入来改进相似度的计算方法,提高推荐质量;对于可扩展性的问题,则引入了模糊聚类和用户簇偏好的概念,通过减小最近邻居的寻找个数使得推荐系统的计算量降低。两种方法都用实验进行了检测,证实了前一种改进算法确实对数据稀疏的问题起到了很好的缓解作用,而后种改进算法则有效的减少了最近邻居的寻找个数并得出了模糊聚类取得良好效果的参数取值范围。现在,网络的发展仍是一种一往无前的气势在向前狂奔,我们会越来越依赖于个性化推荐系统对我们的帮助。因此,对以协同过滤推荐算法为代表的个性化推荐算法的研究和改进,不仅十分的迫切与紧要,也对网络的长久发展具有深远的意义。