随着互联网的不断崛起,网络信息资源迅速膨胀,出现了严重的信息过载现象,导致人们很难找到自己想要的信息,于是推荐系统应运而生,能够帮助用户更快更准确地从杂乱无章的信息中找到其所需要的信息,一定程度上缓解了信息过载现象。协同过滤是目前应用最广泛的个性化推荐技术之一,在现实应用中已获得了相当大的成功,但由于现实的数据往往都十分稀疏,协同过滤推荐算法面临的问题也越来越突出,主要有用户兴趣的变化、数据稀疏性、冷启动和数据扩展性等。传统的协同过滤推荐算法只考虑了用户(或项目)间的相似性来给用户进行推荐,却忽略了用户兴趣会随时间产生变化这一事实。针对这一缺陷,根据艾宾浩斯遗忘曲线构造一种基于时间的指数遗忘函数,用此函数对用户评分进行处理,得到基于时间衰退的权值评分矩阵。冷启动问题可视为数据稀疏的极端情况,针对数据稀疏性问题,引入模糊C-均值算法对用户进行模糊聚类,用户可以以不同的隶属度隶属于不同的用户类,有效的增加了数据密度,减少了稀疏性,可以解决因相似度计算不准确而导致推荐质量低的问题。聚类作为一种无监督的机器学习,可以帮用户更快的找到相似邻居,在不失准确性的情况下提高了算法的推荐速度。混合蛙跳算法是解决组合优化问题的热门算法之一,该算法有思想简单、参数少、寻优速度快、易实现等优点,却也有收敛速度过缓、易陷入局部最优的缺点。针对其缺陷,对青蛙简单的移动规则进行自适应改进,并将改进后的算法应用到推荐系统中,可以快速地寻找到用户的最近邻居集。用R语言,在MovieLens数据集上进行实验测试,结果表明,相较于传统协同过滤推荐算法,本文提出的算法有效的缓解了数据稀疏性带来的不良影响,同时在推荐速度和精度上有了明显提升。