随着电子商务个性化推荐服务的发展进步，网购模式逐渐从以用户海量检索为主的单一购物方式转变为以系统个性化推荐为代表的多元化个性化购物方式。作为个性化推荐服务核心内容的协同过滤技术正成为当前的研究重点。但在实际应用中，协同过滤技术普遍存在因数据稀疏性和冷启动引起的低推荐质量问题，以及因数据更新重复计算相似度引起的可扩展性差问题。上述两个问题的存在从根本上制约了推荐系统整体质量的提高。针对目前协同过滤技术中存在的上述两方面问题，本文提出了一种基于项目分类的协同过滤改进算法；并在此改进算法基础上，引入云模型技术，有效地克服了传统基于云模型协同过滤算法的误推荐问题。本文主要有以下三方面研究内容：第一，针对用户评分数据稀疏性和用户最近邻寻找的不准确性问题，提出了一种基于项目分类的协同过滤改进算法。算法预处理数据集后，首先利用项目分类信息为类内未评分项目预测评分值，然后通过计算类内用户间的相似度准确地获取目标用户兴趣最近邻，最后进行推荐。第二，对定性定量知识转换的新兴技术--云模型的研究学习表明，利用云模型特征向量取代传统用户评分向量计算相似度，可以获得更为准确的最近邻，从而解决了传统计算方法中因严格匹配对象属性而产生的误推荐问题。但其缺点是仅给出针对用户所有兴趣的相同推荐集，而不提供用户特定兴趣的分类推荐集。第三，为了解决上述云模型算法的固有缺陷，进一步提高推荐质量，结合项目分类和云模型提出了一种改进的协同过滤推荐算法。算法首先按项目分类得到类别矩阵，接着利用云模型计算类内项目间的相似度并获取具有最高相似度的邻居项目的评分，为类内未评分项目进行预测填充。然后，再利用云模型计算类内用户间的相似度得到用户邻居，最后给出最终的预测评分并产生推荐。最后，本文使用Matlab软件，借助MovieLens站点提供的数据集分别对上述两种算法进行了模拟实验。实验结果表明：基于项目分类的算法能够针对用户不同的兴趣产生分类推荐集，并通过仅更新新增项目所属类，有效地提高了算法的执行效率和推荐系统可扩展性；结合云模型和项目分类的协同过滤算法不仅具有以上优点，还解决了传统相似度计算方法因严格匹配对象属性引起的低推荐质量问题。上述两种算法克服了传统协同过滤算法低推荐质量、低效率、可扩展性差等问题，对目前个性化推荐技术的发展有一定借鉴意义。