近年来,电子商务个性化推荐系统在网络上获得了普遍的成功,协同过滤技术是其中应用最广泛、最成功的个性化推荐技术。随着网上信息的数量和商品的种类的急速增长对推荐系统提出了严峻挑战,协同过滤推荐中存在的冷启动和稀疏性问题,还有在基于用户的协同过滤推荐中的用户兴趣的定位问题急待解决。本文通过分析传统的基于用户的协同过滤算法中存在的问题,提出了一种基于用户兴趣聚类的协同过滤技术的改进算法。该算法综合考虑了用户项目评分矩阵的稀疏性和用户兴趣类别的影响。在进行目标用户最近邻查询时,首先对项目进行分类,也即对用户的兴趣进行分类,然后基于用户兴趣矩阵进行聚类分析,找出目标用户的邻居用户候选集。最后基于用户-项目评分矩阵计算目标用户与邻居用户候选集中用户的相似性,找出目标用户的最近邻居用户集。用户的个人兴趣在很大程度上决定着用户的访问习惯。针对用户评分数据的极端稀疏性问题,本文提出了一种基于用户兴趣聚类的协同过滤推荐算法。该方法通过对用户兴趣聚类分析来计算用户间的相似性,初步预测用户对未评分项目的评分,对目标用户产生项目推荐集。实验结果表明,与传统的基于用户的协同过滤推荐算法相比,本文提出的改进算法具有更高的准确性和有效性。