面对因特网上海量的信息，如何给用户最感兴趣的最需要的信息，成为各网站的一个重要的问题。为解决这个问题，个性化推荐系统应运而生。 基于用户的协同推荐算法被广泛使用在推荐系统中，用来解决大量用户数据的信息推荐问题，并有着较好的推荐准确度。基于协同算法的个性化推荐系统通过比较当前用户对访问过的项的兴趣(显式的评分和隐式的浏览记录)和其他用户的历史数据，找出和他最相似的k个邻居，并且通过他们的记录来预测当前用户对其他项的兴趣。推荐给用户他可能最感兴趣的N个项。 但是，基于协同过滤的信息推荐系统一般都具有用户数据稀疏、冷启动以及面对大规模数据时性能较慢的问题。本文通过引入自动聚类的方法，一定程度上弥补了协同过滤的数据稀疏性和冷启动的问题，设计并实现了一个基于数字报刊的个性化信息推荐系统。