在近年来的大数据背景下，推荐系统是数据挖掘、商务智能等领域的研究热点，能够在一定程度上缓解信息过载问题。协同过滤技术在推荐系统中应用广泛。聚类技术能够缓解协同过滤推荐系统面临的数据稀疏和可扩展性差问题，其目标是发现有相似兴趣的用户或有相似特征的项目。然而，在某些项目类上具有相似兴趣的用户不一定在其它项目类上也有相似兴趣，而且用户的兴趣是多样的，一个用户类的兴趣可能以不同程度分布在多个项目类上。　　本文提出了考虑用户多兴趣和用户类兴趣模式的推荐框架。首先，利用非负矩阵三因子分解方法发现用户兴趣，将用户和项目同步聚类，发现评分矩阵中隐含的用户的多重兴趣和项目的多重属性，并以后验概率的形式描述用户和项目在每个类的隶属度，通过兴趣模式发现的具有强关联的用户类和项目类组成密集子矩阵；然后，在每个密集子矩阵中，基本的协同过滤方法可以被用于预测缺失评分；最后，重叠子矩阵的评分被合成，根据最终的预测评分生成推荐列表，文中提出了多种评分合并方式并探讨了其实际含义。　　实验结果表明本文提出的个性化推荐框架能有效提升协同过滤的推荐准确率，并能在一定程度上缓解数据稀疏问题，多个子矩阵内运算可以并行实施以提升运算效率，提高系统可扩展性。