互联网和科学技术的发展不断地降低物品的生产成本,致使物品空间迅速膨胀,长尾物品越来越多;物质世界的日益丰富,使得人们对个性化的要求也越来越高,而不再是从众地消费热门物品。但在信息的汪洋大海中,人们很难发掘自己感兴趣的长尾物品,长尾市场也难以定位到合适的用户群体。为了解决信息过载和不对称的问题,推荐系统应运而生,但目前常见的推荐算法大都倾向于为用户推荐热门产品。因此,构建长尾物品个性化推荐模型具有十分重要的现实意义。本文在MovieLens数据集上进行长尾物品推荐研究。针对用户物品矩阵数据所拥有的稀疏性、物品流行度分布有偏性特点,使用ITCC双聚类和K-means聚类算法对其进行聚类。实证分析结果表明,聚类算法能有效地提高子用户物品矩阵的稠密度和长尾物品的流行度,并且以聚类方法作为基于物品的协同过滤算法的预处理步骤,能提升长尾物品的推荐效果。其次,面对隐反馈用户物品矩阵数据缺少明确的正负反馈信息的问题和推荐长尾物品的需求,本文探索改进基于隐语义模型的协同过滤算法:对于用户物品矩阵中的每个用户物品对,根据有无历史交互记录猜测用户对物品是否感兴趣,并根据物品的流行度给出猜测的置信度。这样的改进能为长尾物品推荐模型提供更合理的正负样本,同时对模型在训练时倾向于提取热门物品的特征进行惩罚,以提高模型对长尾物品的关注。模拟结果表明,改进的隐语义模型能在保持较高推荐准确率的同时,将推荐覆盖率提升至隐语义模型的两倍左右,使物品空间中更多的长尾物品能被推荐给至少一位用户,显著地提升了长尾物品的推荐效果,很好地达到预期效果。