1、隨著信息2.0時代的到來，互聯(lián)網的飛速發(fā)展使得人們獲取信息的方式越來越容易，用戶在面對海量的數據難以快速而準確的檢索到對自己有用的信息，即信息過載問題。個性化推薦系統(tǒng)可以有效的解決信息過載問題，其核心就是推薦算法，而協(xié)同過濾算法就是一種研究成熟、廣泛應用的推薦算法。
　　推薦系統(tǒng)都會受到數據稀疏問題的影響，主要通過用戶相似度計算的不準確性來體現。針對數據稀疏問題，本文從用戶預先聚類和用戶相似度算法改進兩個方面進行了研究，分別提出了

2、SKCA算法和RWDS算法，然后再將兩種方法進行融合提出了結合用戶聚類的協(xié)同過濾推薦算法。
　　從用戶聚類的思考出發(fā)，引入了物理學中的拓撲勢場理論并通過拓撲勢值進行用戶重要性表示，針對K-means聚類算法需要用戶自行確定類別個數這一不足，結合勢場的影響因子對K-means算法進行改進提出了SKCA算法。SKCA算法可以自適應的選取聚類中心后計算出聚類結果以及各個類的代表用戶，目標用戶只需選擇最近鄰代表用戶所在類中進行協(xié)同過濾推薦

3、，結合MovieLens數據集與其它幾種聚類算法進行對比實驗，實驗結果表明，SKCA算法可以實現推薦質量的提升。
　　從用戶相似度算法改進的思考出發(fā)，首先根據用戶的評分數據對與用戶評分習慣相異的反常評分項給予更高的權值以實現對項目加權，然后在Jaccard相似度僅考慮共同評分項比重的基礎上加入共同評分項間差值的考慮以實現對相似度算法的改進，再將兩者綜合起來提出了RWDS方法。RWDS算法加入了評分的全局表現并充分利用評分的專業(yè)意義