在互联网时代,用户虽可从网络中获取到大量混杂信息,但是用户必须花费大量时间才能获取到有用信息,因此产生了个性化推荐算法。其中协同过滤推荐算法是工程项目实践中使用最普遍的一种,通过对用户的历史行为记录进行分析,建立起用户喜好模型,找出与其相似的邻居用户集合,最终使用相似用户帮助目标用户判断对系统中项目的得分,从而生成候选项目列表并完成推荐。然而在新用户第一次进到系统时,系统此时没有任何关于该用户的浏览记录,无法立即确定与其相似的邻居用户,导致不能为其推荐,从而引起了冷启动问题。冷启动问题会降低推荐的信息质量和准确性,并且也影响用户访问系统的使用体验,因此解决冷启动问题具有重要的意义。为此,设计并实现了一个以用户为基础的推荐系统。系统首先把用户的原始信息预处理成向量集合,生成用户和项目的评分矩阵之后使用主成分分析方法对其进行分解,降低相似度计算的复杂度,然后使用K-means方法将系统中的用户聚类成喜好相似的用户簇,缩小查找邻居用户的范围,最后把用户的个人属性和对项目的评分等信息结合起来共同完成用户相似度的计算并找出最为相似的邻居用户集合,从而判断对项目的得分高低情况,生成候选的项目列表,解决了新用户第一次进到系统时引发的冷启动问题,也改善了系统的准确性。使用真实的用户行为数据集验证所设计系统的性能,并对实验结果进行分析。实验结果充分证明了所设计系统的有效性,相比传统系统也取得了更好的准确性,平均绝对误差降低了约10%。