随着科技的发展,Web2.0的广泛应用,互联网上的资源飞速增长,网络提供的资源也更加丰富,但如何从这些资源中寻找到用户感兴趣的内容依然是一个难题。推荐系统提供了一种基于用户喜好主动为用户推荐其感兴趣物品的方法,避免了用户从海量数据中搜索信息的尴尬,增加资源的利用率。目前推荐系统大致可以分为三大类:基于内容的推荐系统、协同过滤推荐系统和混合推荐系统,但在实际情况中,用户和项目数量都是巨大的,评分数据相对较少,构造的用户-项目评分矩阵会出现大量空白项,出现数据稀疏问题,影响用户相似度计算准确率,使得推荐结果不能让用户满意。为了提高推荐精度和缓解稀疏矩阵问题,有学者提出基于用户k-means聚类和偏好的推荐算法,该算法使用的k-means算法在处理非凸函数时,容易陷入局部最优解,并且k-means算法形成的聚类簇多为球状,另外,该算法还未考虑到用户偏好会随时间的变化而变化的特性,基于以上两点,本文提出如下改进办法:①由于谱聚类在任意形状的样本空间可以对数据进行聚类并得到最优解,本文选用谱聚类算法对用户进行聚类;针对谱聚类中的尺度参数σ需要人工调控的特点,最终选用可以对尺度参数进行优化的基于信息熵的谱聚类算法。②针对用户偏好受时间影响较大,构建用户-项目评分矩阵时,引入时间影响因子;时间影响因子的定义参考艾宾浩斯遗忘曲线,对项目评分进行时间优化。改进后的基于用户聚类和偏好的推荐算法能较好的适应多种类型的数据,能对任意分布的数据进行聚类,得到全局最优解。算法考虑时间对用户偏好的影响,用时间影响因子优化项目评分,提高推荐准确度。