協(xié)同過(guò)濾技術(shù)是目前電子商務(wù)推薦系統(tǒng)中最成功和應(yīng)用最廣泛的技術(shù)，在理論研究和實(shí)踐中都取得了快速的發(fā)展，它根據(jù)用戶的歷史選擇信息和相似性關(guān)系， 收集與用戶興趣愛好相同的其他用戶的評(píng)價(jià)信息利用數(shù)據(jù)挖掘的一些算法來(lái)產(chǎn)生推薦。然而，傳統(tǒng)的協(xié)同過(guò)濾算法面臨數(shù)據(jù)稀疏、用戶相似性難以度量、實(shí)時(shí)性和可擴(kuò)展性差等方面的挑戰(zhàn)，影響了推薦系統(tǒng)的質(zhì)量。針對(duì)推薦系統(tǒng)數(shù)據(jù)稀疏和可擴(kuò)展性差的問(wèn)題，許多研究者提出了利用矩陣分解或者降維的方法來(lái)解決推薦系統(tǒng)數(shù)據(jù)稀疏和可擴(kuò)展性差的問(wèn)題，如奇異值分解（SVD）、非負(fù)矩陣分解（Nonnegative Matrix Factorization， 簡(jiǎn)稱 NMF）， 主成分分析（Principal Component Analysis，簡(jiǎn)稱 PCA）等，有效地降低訓(xùn)練數(shù)據(jù)的維度和稀疏性。本文針對(duì)基于內(nèi)存的協(xié)同過(guò)濾算法在線計(jì)算量較大且可擴(kuò)展性較低的缺點(diǎn)，提出了一種基于 SVD 矩陣填充技術(shù)的 K-means 聚類協(xié)同過(guò)濾算法。該算法利用用戶與項(xiàng)目之間的潛在關(guān)系克服了稀疏性問(wèn)題， 同時(shí)保留了聚類方法可離線建模、可擴(kuò)展性好等優(yōu)點(diǎn)。