在基于兴趣的好友推荐中,通常需要计算不同用户间的相似度来进行推荐。但是当用户量特别庞大时,计算所有用户之间的兴趣相似度需要消耗大量的时间。为了节约时间开销,本文在ISODATA算法的基础上提出了MSI聚类算法,该算法能够对特征稀疏的样本进行聚类,并且时间复杂度低。同时,在三部图扩散算法的基础上提出了基于兴趣及认知的算法。另外还引入了反馈机制来对推荐模型进行动态的调整。本文主要工作如下:(1)在ISODATA的基础上提出了MSI算法,该算法可以对多维属性稀疏的样本进行聚类,同时采用新的方法实现了聚类的分裂以及合并操作。聚类的时间开销也较低。MSI算法主要根据聚类样本个数的多少来选择是否进行合并与分裂,算法会根据当前状态自动地调整迭代次数,更加易于使用。为了使其更加适合在好友推荐的场景中,增加了软聚类的步骤,降低在好友推荐过程中丢失聚类边缘样本的概率。(2)在三部图扩散算法的基础上提出了基于兴趣及认知的算法。新的算法提出了认知度作为度量标准,能够更加细致地考虑用户的行为。在计算相似性的时候考虑到了不同物品与标签的权重问题,同时也提高了对数据稀疏的用户的推荐效果。(3)提出了反馈机制,反馈机制可以根据每次的推荐结果来动态调整推荐模型。反馈机制包括用户相似性反馈以及权重反馈。用户相似性反馈根据用户的交友喜好来调整不同用户间的相似矩阵,权重反馈是根据用户对于兴趣或者认知的偏好来调整兴趣相似度以及认知相似度的混合权重。最后进行了总体的实验对比。本文推荐过程的第一步是使用MSI算法对用户进行聚类,第二步是使用基于兴趣及认知的三部图扩散算法计算用户间的相似性来进行推荐,最后一步是利用反馈机制根据推荐结果来对推荐模型进行调整。实验表明本文的好友推荐算法能够降低时间开销,同时也能提高推荐效果。