随着网络与信息技术的快速发展,人们开始进入到“信息爆炸”时代,但是,严重的信息过载问题也随之而来。用户很难在海量信息中快速搜寻自己所需要的信息,并且所消耗的时间也会大量增加。推荐系统的问世则能很好解决信息过载问题,它可以基于用户的个体差异性,为其提供个性化服务。由于推荐系统中的用户数量和项目数量都极其庞大,用户评分矩阵实际上是一个极度稀疏的矩阵;当用户新加入系统或者用户的历史行为数据极其少的时候,系统也无法根据现有的历史数据为其进行推荐服务;另外,大部分用户评分所跨越的时间较长,在此期间,用户的兴趣也许会发生迁移。由于数据稀疏性、冷启动和实时性等问题在推荐系统中普遍存在,对推荐系统的质量造成了严重影响。为了解决这些问题,本文进行了相关研究,论文的主要工作如下:(1)阐述推荐算法的研究现状和基本原理,对推荐算法的最新研究进行了分析,总结推荐算法存在的缺点及原因,为改进算法提高推荐精度提供思路。(2)为了解决数据稀疏性问题,提出了一种基于Kruskal算法的K均值双重聚类优化方法,对用户和项目进行双重聚类,然后基于聚类结果中相同类中的其他项目或者用户,完成空白评分项的填充。借助于该方法所取得的填充结果具有较高的可信度,在解决数据稀疏性问题方面效果明显。(3)改进用户相似度和项目相似度的计算。计算用户相似度时利用艾宾浩斯遗忘曲线模拟用户兴趣随时间改变的趋势并融合用户属性。将不同时间的用户评分给予一定权值,由此获得的相似度将能更加真实的契合当前用户。计算项目相似度时融合项目属性,从而较好地解决用户兴趣变化与冷启动问题。(4)对本次研究所提出的双重聚类协同过滤优化算法进行验证并和传统的协同过滤算法进行对比分析,进而验证本次所提出的算法的有效性。通过实验得出本次所提出的算法MAE值更小,推荐精度更高,能够取得更好的推荐效果。