推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台。他将传统系统或平台被动向用户提供信息的方式，转变为系统或平台利用推荐算法构建用户偏好模型，并据此向用户提供推荐信息，以满足用户的偏好需求，而推荐系统的推荐精度往往与推荐算法密切相关。因此，若想提高推荐系统的推荐质量，最好的办法就是优化推荐算法。目前，各类电子商务平台大多运用协同过滤算法进行推荐，但是随着数据量的不断增大和信息技术水平的提升，利用传统的协同过滤算法进行推荐已经不能很好地满足需求，为此，需要不断探寻新的、效率更高的协同过滤算法。基于以上考虑，本文希望对传统的协同过滤算法进行改进，并将其应用到推荐系统中，以提高推荐系统的推荐质量。
　　本文的创造性工作是对协同过滤算法的数据预处理阶段和寻找最近邻居集合阶段做出了改进。在数据预处理阶段，一是通过对用户一项目评分矩阵进行填充，缓解其稀疏性;二是引入标签因素和时间因子，使得构建的用户偏好模型具有更好的表达效果。在寻找最近邻居集合阶段，一是将协同过滤算法与二分K—means算法相结合，选择与目标用户相匹配的用户簇作为最近邻居集合的检索范围;二是对相似性度量公式进行改进。
　　在实验部分，本文使用的MovieLens数据集是由Minnesota大学开发的一种研究型自动协同过滤推荐系统，该数据集包含了943名用户对1682部电影的100000条评分数据，主要用于根据用户以往的观影记录和打分情况，针对不同用户的偏好，向其推荐合适的电影。通过实验发现，改进的协同过滤算法与基于用户的协同过滤算法相比，误差率有了降低，推荐的准确率有了提升，这表明改进后的算法具有更高的推荐质量。