协同过滤作为一种经典的个性化推荐技术,已成功应用于众多领域中,并取得了长足的进展。随着云计算、物联网等技术的迅速发展,信息的增长速度远远超出了我们处理信息的能力。信息过载问题日益突出,尤其是在未来数据量会达到ZB的情况下,协同过滤推荐技术的三大问题:可扩展性、冷启动、数据稀疏性将会受到愈来愈严峻的挑战。针对协同过滤推荐算法面对的扩展性以及冷启动问题,对协同过滤相似度模型进行优化,提出了基于优化的K-means方法的PCEDS相似度模型,来提高推荐质量。随着聚类技术的快速发展,聚类算法也逐步走向成熟,其中K-means方法是比较有代表性且易实现的一类聚类算法。针对协同过滤推荐算法的可扩展性问题,提出了基于用户属性特征信息的K-means聚类的协同过滤推荐算法。由于K-means方法对选取的初始聚类中心具有敏感性,本文对K-means方法进行了优化,即基于用户活跃度(CF-act)选取初始聚类中心。在优化之前,本文首先对用户属性特征信息进行了数据分析以及数据处理。针对协同过滤推荐算法的冷启动问题,本文提出了融合用户属性特征相似度和用户偏好相似度的协同过滤推荐算法。由于对用户属性特征信息进行了预处理,所以,本文提出了基于信任度的用户属性特征相似度模型,将基于信任度的用户属性特征和用户偏好的相似度模型相结合,提出了PCEDS相似度模型对聚类结果建立预测模型。实验结果表明,提出的PCEDS相似度模型比传统的协同过滤推荐算法在均方根误差(RMSE)上有明显降低,并且在推荐准确率(Precision)和召回率(Recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以减少系统运行空间,缩短了推荐时间。