随着电子商务网站的兴起,推荐系统正被越来越多地研究和应用。推荐系统能够根据用户的兴趣特点和购买能力,向用户推荐用户感兴趣的信息和商品。推荐系统可以快速主动的挖掘出潜在的购买用户,同时快速地帮助用户找到喜欢的商品,增加网站的商品销售量的同时亦能增加用户对网站的忠诚度。本文首先对推荐系统的研究背景和国内外研究现状进行了充分地调研。当前电子商务应用正在迅速的发展,推荐系统被越来越多地应用在了电子商务网站之中。虽然推荐系统的研究和发展已经超过了十年时间,但是推荐系统的推荐准确性仍达不到理想的效果,如何提高推荐系统的推荐准确性仍是当前推荐系统研究的热点问题。在调研的基础上,本文介绍了推荐算法的相关概念,对基于内容的推荐算法和协同过滤推荐算法的基本原理进行了介绍。介绍了基于内容的推荐算法和协同过滤推荐算法各自的优缺点。基于内容的推荐算法面临的最大问题是商品特征描述困难,而协同过滤推荐算法的最大问题在于数据稀疏性问题。为了提高推荐系统准确性,本文又对聚类算法的相关技术进行了介绍和研究。为了解决协同过滤推荐算法中稀疏性问题,本文提出了一种估值填充的协同过滤推荐算法,并引入了k-means聚类算法,以提高估值填充的准确度,进而提高推荐算法的准确度。本文使用了Movielens真实评分数据集作为研究对象,运用matlab技术对所构建的基于聚类的协同过滤推荐算法进行了实证计算。研究并分析了矩阵密度、k值大小、商品邻居个数对算法推荐准确性的影响,根据分析结果优化了改进的算法。最后文章从平均绝对误差、召回率、准确率和F1指标的角度对改进的算法进行了评估分析,结果表明本文所提出的基于聚类的协同过滤商品推荐算法比传统的协同过滤推荐算法具有更高的推荐准确性。