随着互联网信息规模的增长和用户交互模式的转变,推荐系统在现代互联网中的重要性日益增长,对推荐系统的性能要求也与日俱增。随着推荐系统中用户和物品规模的增长,为了更好的提取用户和商品特征,排除噪音干扰,同时降低计算规模,研究人员将聚类技术引入推荐系统。通过聚类划分用户和商品类别,缩小相似用户的范围,提升算法的速度和质量。本文主要研究了基于聚类的矩阵分解推荐技术。主要工作如下:1.分析了用户对不同类别商品的兴趣差异,在商品聚类的基础上提出了用户对于不同商品类别的偏好度模型。并在矩阵分解推荐模型的基础上,分析了其全局偏置参数的优点与局限,提出用户对各个商品类的偏置参数并引入到模型当中。从而使得模型能更好的捕捉用户对不同类别物品的偏好差异。实验结果表明,相比于传统的全局偏置参数,引入用户对商品类别的偏置能有效提升推荐算法的精确度。另外,在实际系统中,新评分数据总是在不断增长。而传统的矩阵分解算法在模型生成后就保持不变。时间一长,模型会逐渐陈旧,引起推荐准确度的下降。为了适应实际推荐系统中新数据不断增长引起的模型数据陈旧,减缓推荐精确度的下降趋势,本文还提出了一种增量更新的模型。该模型通过增量数据动态更新偏置参数,但不改变原始的用户和物品特征矩阵,在较小的计算开销下,保证推荐精确度的稳定。2.提出了基于用户聚类的局部矩阵分解模型,将原始评分矩阵分割成小块矩阵,再分别应用矩阵分解推荐。局部模型有利于捕捉用户的局部特征,降低噪声干扰。试验结果表明,局部模型有利于部分用户推荐效果的提升,但由于缺失了许多评分信息,因此总体效果不及传统矩阵分解。在此基础上,为了降低聚类划分准确性对推荐效果的影响,加入动态类调整模型,在迭代中动态调整每个用户的归属类,从而进一步提升该模型的推荐准确度。最后,基于这一局部矩阵分解模型和传统全局矩阵分解模型,提出了一项融合二者的混合算法。实验结果表明,混合算法能有效融合两种模型的优点,相比原始矩阵分解模型,其推荐精确度有所提升。