1、當前，個性化推薦系統(tǒng)得到廣泛應用。推薦系統(tǒng)的核心就是推薦算法。然而，應用最廣泛的協(xié)同過濾算法暴露出很多問題。為此，本文主要進行了以下幾方面工作:
　　首先，針對傳統(tǒng)協(xié)同過濾實時性差的問題，本文采用聚類算法重構(gòu)評分矩陣，但傳統(tǒng)k-means聚類隨機選取聚類中心的方法，極易造成聚類結(jié)果不穩(wěn)定，本文采用一種可以比較穩(wěn)定選取初始聚類中心的方式，對傳統(tǒng)聚類進行改進。通過聚類使相似性高的用戶在同一類簇，用戶搜尋最近鄰居時，只需考慮與目標用戶相

2、似度高的類簇，加快了系統(tǒng)搜尋鄰居的速度，在一定程度來改善傳統(tǒng)算法實時性問題，提高算法的計算速度。
　　其次，不同于傳統(tǒng)基于聚類的協(xié)同過濾在整個評分矩陣聚類，本文采用隱語義模型對用戶-項目評分矩陣進行分解處理，為防止處理過程中出現(xiàn)過擬合現(xiàn)象，采用梯度下降法對其進行更新，從而達到對原始評分矩陣進行分解，分解后產(chǎn)生一個用戶隱類矩陣和一個隱類項目矩陣，在分解后矩陣上進行聚類，分解后摒棄許多無用數(shù)據(jù)，聚類維度得以降低。
　　最后，本文