协同过滤技术存在数据稀疏性和可扩展性问题,容易导致推荐准确度和推荐效率低下,严重限制推荐技术发展。针对上述问题,本文采用频繁模式挖掘技术和聚类技术对协同过滤算法进行改进。主要研究内容如下:第一、本文结合关联规则算法提出基于频繁项集挖掘的评分填充矩阵方法。通过挖掘项目间潜在关联性,预测未评分项目评分值,用于降低评分矩阵稀疏度和填充误差。经过实验评估,填充后评分矩阵稀疏度相比传统协同过算法降低约7%,评分误差值降低约2%。第二、本文提出基于TF-IDF（词频-逆文本频率指数）与用户聚类的推荐算法。利用TF-IDF算法,得到项目的用户-项目-特征TF值矩阵和TFIDF值。将上述矩阵与用户身份属性信息合并,利用聚类算法划分用户集,并使用特征TF-IDF值改进相似度计算公式,生成推荐列表。经过实验评估,相比传统协同过滤算法而言,计算最近邻集合所需时间降低约一半,推荐结果准确率提高约3%。第三、融合上述两种改进算法,本文提出基于频繁项集挖掘和用户聚类的协同过滤算法,用于同时缓解协同过滤的数据稀疏性和可扩展性问题。对上述两种算法各自得到的近邻集合进行合并处理,选择相似度更高的用户最近邻进行推荐。将所提算法与上述两种算法、传统协同过滤算法、相关文献提出的算法进行比较,在不同情况下本文所提算法均优于以上算法。最后,通过使用本文给出的算法设计了电影推荐系统,该系统能够实现电影推荐、电影搜索、电影详情查询、电影评分等功能,体现了算法的实际应用价值。