得益于计算机网络的蓬勃进展,我们已经生活在了一个信息爆炸的时代,信息时代的来临使得现有的数据膨胀程度日益加深,现有的一些推荐技术与陈旧的信息检索方法并不能够完美地解决大数据方面的相关问题,同时,使用者也无法于互联网巨大的数据信息中高效率及高精度的得到自己的目标信息数据,因此,推荐系统随之诞生。在现如今常用的推荐系统中,协同过滤推荐算法(CF)居于核心地位,而Slope One算法在众多的CF算法中表现得十分优秀,它具有简洁高效的优点,在数据稠密时的推荐效果十分突出,但是在实际应用中发现,Slope One协同过滤推荐算法同样存在着一些问题:即稀疏性方面与可扩展性方面的问题,在推荐系统中的数据较为稀疏时并不能做到很好的推荐。本文就如何在Slope One算法基础上对稀疏性和扩展性问题做出改进展开研究,一是使用模糊聚类技术,捕捉用户的潜在信息,推高推荐精度,利用聚类机制提高可扩展性,二是通过使用非负矩阵分解(NMF)来解决数据稀疏问题。一方面,根据目前Slope One推荐算法中存在的数据较为稀疏时推荐效果不好的问题(即稀疏性问题),通过使用非负矩阵分解的方法,对原有的用户项目评分矩阵完成矩阵的降维与规范化处理,改善评分矩阵稀疏性,提高了原有的Slope One算法的推荐效率。本文根据实验对此进行了证明。另一方面,对传统的Slope One算法结合NMF技术之后,进一步引入模糊聚类方法,根据不同用户对项目的喜好程度,将用户分别归为不一样的用户组,同时使用隶属度这一权重系数去调整与不同聚类的偏差,最后通过Slope One算法进行预测并完成推荐。该方法在一定程度上解决了可扩展性的问题。本文在具体实验中对改进之后对两个算法与一些传统的算法做对比,最终的实验数据也证明了改进的算法的确具有更为优秀的推荐精度,也有着良好的MAE与MRSE值。