电子商务、社交网络等互联网服务应用伴随着网络技术与信息服务的快速发展变得越来越成熟。个性化推荐算法作为一种关键性技术的支持因素,在社交平台和商务平台的互联网服务中扮演的角色越来越重要。在推荐系统中,协同过滤推荐算法被广泛使用,协同过滤推荐算法以优秀的数据建模技术和智能化服务的特点,广泛应用于推荐系统中,特别是在电子商务领域中,该算法获得了广泛的应用并取得了很大的成功,使得个性化推荐的发展越来越快速。然而,伴随着系统中项目和用户的数量不断增大,数据稀疏性问题也成为了推荐系统中最常见的问题。很多学者针对数据稀疏性问题提出了基于聚类的协同过滤推荐算法。K-means算法是最经典的聚类算法之一,而K-means算法在选取中心点时采用随机的方式,导致聚类的效果可能不能最优化得。同时,在推荐算法计算相似度是,传统的方式只是根据用户项目评分来计算的,并没有考虑到用户的特征及项目自身的属性,导致推荐效果不佳,本文针对这些问题,提出了改进的基于聚类的协同过滤推荐算法。本文主要从以下三个方面进行学习研究:首先,详细介绍了目前传统的推荐系统的研究背景、实现内容和与此相关的推荐算法的技术理论,以及本文在传统推荐系统的基础上要深入研究的重点内容。其次,研究了传统的K-means算法和协同过滤推荐算法,并提出了传统算法存在的问题,根据这些问题,提出了相应的改进:确定聚类中心点和聚类过程的改进算法以及引入用户特征及项目属性的相似度改进算法,并结合这两种算法实现了改进的基于K-means聚类的系统过滤推荐算法。最后,本文将提出的算法与传统算法进行了相关性能的比较分析。实验表明,改进的算法能够有效的提高推荐系统的推荐质量。