摘要：针对传统UserCF算法存在的数据稀疏、相似度计算开销大且不够准确的问题,以提高推荐准确率、覆盖率和时间效率为目标,设计了融合数据挖掘和评分预测的推荐算法DRR。首先用PCA降维算法解决用户评分矩阵过大且稀疏的问题;再用Canopy算法对降维后的矩阵进行处理得到聚类个数K,以余弦相似度为距离度量,用K-means算法对用户聚类,并用Apriori算法挖掘簇内项目之间潜在的关联规则,计算项目关联因子;最后以目标用户所在簇内的其他用户为其近邻,基于历史评分、余弦相似度和项目关联因子预测目标用户对项目的评分,在降低寻找最近邻时耗的同时挖掘出长尾项目。在movieLens数据集、豆瓣电影数据集上与UserCF算法、基于K-means聚类的协同过滤算法和基于谱聚类的协同过滤算法的对比实验结果表明,DRR算法的准确率、召回率、F1值、覆盖率,以及时间效率都有所提升。