在个性化推荐系统中,推荐算法处于核心地位,算法的准确性和拓展性直接影响着推荐系统能否投入使用。经过多年的研究和发展,衍生出多种推荐算法,其中以协同过滤算法的应用最为广泛。但随着应用场景的变化,算法本身存在的原始数据矩阵稀疏、冷启动和拓展性等问题也逐渐显现。针对这些问题,本文对推荐算法进行了研究,主要研究内容如下:首先,对于原始数据涉及范围广降低推荐算法的执行效率和准确度等问题,提出基于模糊均值聚类的协同过滤算法。算法通过对模糊聚类中距离计算和聚类中心选取等过程的优化,使聚类结果更加合理。融合了聚类过程的推荐算法不仅能够缩小计算范围,而且可以降低冗余数据对推荐结果的干扰,使推荐结果准确度和执行效率得到提高。其次,对于传统推荐算法面临的初始数据矩阵稀疏、冷启动和实际因素干扰等问题,提出基于矩阵填充和用户偏好的协同过滤算法。算法通过对稀疏矩阵进行分解和填充、改进相似度计算公式以及优化预测评分公式等多个环节改进现有算法存在的不足。然后,基于以上两种算法提出基于聚类和用户偏好的协同过滤算法,同时针对算法的拓展性问题,引入Spark分布式计算平台,给出推荐算法在Spark平台上并行化的部署思路。最后,将音乐数据集作为数据来源,对以上提出的改进算法进行实验,并对实验结果进行对比分析,证明改进后的算法在准确度和效率上的优越性。