【目的】改进传统协同过滤推荐算法以缓解其存在的数据稀疏性问题,进而提高评分预测的精度。【方法】提出整合K-means聚类和Slope One算法的混合式协同过滤推荐框架和KSUBCF算法。利用基于K-means聚类的Slope One算法预测填充矩阵中必要的未评分项,利用基于用户的协同过滤推荐算法实现推荐。【结果】实验结果表明,随着邻居数目的增加,该算法比原Slope One算法在MAE(平均绝对误差)值上有8.8%-21%的下降,RMSE(均方根误差)值有17%-28.1%的下降。【局限】该算法仍然依赖用户–项目评分数据矩阵。【结论】该算法与其他传统协同过滤算法相比,MAE值分别有10%和43.8%的下降,RMSE值也有20.1%和37.4%的下降,说明本文方法可以提高预测精度。