推荐系统在电子商务空前发展的情况下显示了良好的应用前景,正逐步走入人们的日常生活,它一方面改善了用户的网络购物体验,另一方面成为“虚拟的网络促销员”,帮助卖家将买家的潜在需求变成真正的购买行为,达到增加销售额的目的。协同过滤算法是推荐系统中应用最成功、最广泛的一种。它帮助人们解决信息过载等问题,具有简单、高效的特点。但也存在稀疏性、冷启动、推荐质量与实时性平衡等诸多问题。本文首先研究了传统的协同过滤算法：Item-Based协同过滤算法和User-Based算法。针对协同过滤算法的核心-计算用户(项目)相似度方面,提出利用云模型和K-means算法改进相似度的计算。使用用户评分特征向量的夹角余弦计算代替用户评分的夹角余弦计算,可以在粗粒度地考虑对象整体的相似性,综合了对象属性信息对用户相似度的影响。在解决传统的协同过滤算法的稀疏性方面,首先给出了稀疏性的问题定义,并在对比已有解决方法的优缺点后,给出了基于PCA降维的协同过滤算法,首先对高维的稀疏矩阵进行缺省值填充,然后利用主成分分析(PCA)算法对经过填充得到的稠密矩阵进行变换,提取主成分因子,再对降维后的主成分向量进行递归矩阵聚类,得到具有相似兴趣的用户(项目)簇C1,C2,...Cp,找到目标用户Ui所在的簇Ci,根据用户Ui的最近邻对待评分用户的项目评分预测用户Ui对待评分项目的评分。最后,选用当前绝大多数电子商务推荐系统研究的所采用的数据集MovieLens,设计了对比实验证实了算法的有效性。