随着互联网特别是电子商务规模的不断发展,系统中的用户和项目的数据量都在迅速增长。推荐系统可以为用户提供个性化的推荐,因此得到了广泛的应用。协同过滤凭借其简单合理的推荐逻辑成为推荐算法中应用最广泛的算法,但是,该算法存在扩展性较差的问题。针对该问题,文章在基于项目的协同过滤方法的基础上提出了一些改进方案。本文的研究内容如下:(1)在度量项目的相似性时,常用的相似性计算方式并没有考虑到共同评分个数对相似性的影响。针对这一问题,本文提出了一种改进的相似度计算公式,在计算相似度时,该公式考虑了项目间的共同评分个数。和常用的相似度计算公式相比,该公式能够较好的度量项目的相似度。(2)为了提高系统的可扩展性,文章提出了一种基于模糊聚类的协同过滤推荐方法。该方法在离线阶段利用模糊聚类技术将项目划分到不同的项目簇中,然后只在簇中计算相似度和搜索邻居,这大大减小了相似度计算阶段的运算量和邻居搜索阶段的搜索范围。(3)当系统中出现新评分时,传统的协同过滤方法需要在整个项目空间内更新相似度,这种更新方式耗费了较大的时间和资源代价,影响了系统的可扩展性。针对该问题,本文提出一种基于增量更新的协同过滤推荐方法,当系统获取到新评分时,该方法根据增量更新规则,只计算相似度改变的项目之间的相似度,然后根据最新的相似度搜索邻居并作出推荐。(4)采用MovieLens和Yahoo!Movies数据集,对论文提出的改进方案进行了相关实验。实验结果表明,改进的算法能够在一定程度上提高推荐系统的可扩展性,同时保持较好的精确度。