随着信息技术和互联网的快速发展,人类社会已经进入了高度信息化的时代。网络世界的不断丰富给人们带来了诸多便利的同时,也带来了信息过载的问题。目前网络信息量已经远远超过了人们所能接受和处理的数量,人们需要花费大量的时间和精力去寻找自己需要的内容。在这样的背景之下,个性化推荐系统应运而生。协同过滤推荐算法自20世纪90年代问世便成为了一个重要的研究领域,尽管这种技术已经取得了许多成功的应用,但在实际应用也存在如冷启动、数据稀疏性、实时性和用户隐私等问题。为了解决这些问题,学者提出了基于聚类的协同过滤推荐算法。基于聚类的推荐算法通过先对用户或者项目进行聚类划分,使相似度较高的对象聚集到同一个类群中,从而简化查找最近邻居的过程,大大减小了整体计算复杂度和时间消耗。另外由于聚类算法可以在离线完成,所以大大提升了推荐系统的实时响应性。本文对推荐系统和聚类技术做了一定的理论研究,提出了一种基于聚类的协同过滤推荐算法,并通过实验验证了改进的有效性。本文的主要内容为:(1)比较了传统相似度计算方法,分析出其中的缺点和不足,并针对性地提出了一种改进的相似度计算方法。该方法考虑了用户属性、个人评分倾向和置信度,提高了相似度计算的合理性和准确度,同时对于冷启动问题也有一定的缓解作用。(2)将改进的相似度计算方法与K-means聚类算法相结合,并使用果蝇优化算法对聚类算法进行优化,提出了改进的基于聚类的推荐算法FKCR算法。借助于聚类算法和果蝇优化算法,FKCR算法在查找用户相似邻居集时有更高的效率和准确度。最后,本文通过实验验证了所提算法在推荐准确性和时效性上的改进效果,以及在冷启动环境下的推荐质量。