随着21世纪的到来，市场上出现了以淘宝和亚马逊为代表的一些电商平台，这些平台为消费者提供了极大购物便利的同时，也出现了很多因为数据过大而导致的一系列问题，例如数据量过大，导致聚类算法效率低下，不能及时给用户推荐产品，同时数据量过大，导致数据稀疏性问题明显。对于这些问题，本文研究了基于用户聚类的服装推荐技术。基于传统协同过滤算法中，由于其本身特性造成的推荐效果实时性不高以及效率低下的问题，引入用户兴趣变化模型，以及评分预测时间模型，提出基于时间和用户兴趣改变的协同过滤推荐算法，对传统过滤算法进行针对性的修改。本文中，通过对KNN算法的研究，对其优缺点进行针对性的改进。论文主要的工作内容包括：
　　一、对推荐系统进行深入的研究，深入了解其概念，理论，在此基础上详细的介绍了现今比较流行推荐系统的特征，比较了他们之间的不同以及个自的优缺点。在这样的条件下，着重对协同过滤推荐算法进行了全方面而且详细的分析。
　　二、考虑到用户在随着时间的推移，兴趣爱好等会改变的问题，本文通过为传统的协同推荐系统引入时间因子，以时间数据权重模型为切入点，对适用于用户兴趣变化的模型进行改进和研究以应对传统协同过滤算法在推荐过程的实际情况，满足用户所需。针对用户兴趣模型难以确定的情况下，本文通过提出基于时间模型的评分预测函数，为了解决因为数据量导致的稀疏问题，通过对数据预先处理以及通过相似度函数来解决传统协同过滤算法中由于缺乏时间因子所带来的的预测不准的问题。
　　三、在对传统的KNN算法进行深入的研究之后，知晓KNN算法在海量数据分类时效率低下的问题，我们创新的提出了一种基于有效密度裁剪的KNN改进算法。这种算法在通过聚类过程中的样本进行噪声数据剔除处理，而且再通过对密度的裁剪以提高KNN算法的分类效率，与此同时还会保证分类的精准度。