随着互联网与大数据的不断发展,人们快速获取有用信息的难度不断增大。推荐系统作为有效缓解信息超载的工具之一,不仅可以为用户快速获取感兴趣的信息,同时也具有巨大的商业价值。然而,系统中庞大的用户和项目、稀疏的用户评分数据,导致计算复杂度大,模型构建不精确,推荐性能低下。针对上述存在的挑战,本文提出了两种相似用户划分方法,并在此基础上提出一种基于谱聚类的低秩矩阵填充的推荐算法。本文的主要研究工作如下:(1)提出了归一化评分矢量跟踪用户偏好记录的方法,减少评分稀疏对用户之间相似性计算的影响。提出两种相似用户划分方法:基于位置敏感的哈希函数分类算法和基于图论的谱聚类算法,将原始用户项目矩阵划分为多个子矩阵。(2)提出基于谱聚类的低秩矩阵填充算法。基于谱聚类的相似用户划分方法,为进一步提高用户评分率,减少子矩阵的规模,对与目标用户无关的列进行修剪,提出一种联合优化模型,通过优化构建的目标损失函数,确定使算法达到最优推荐的参数分类数和修剪率。最后应用矩阵填充算法。真实数据集实验结果表明,本文提出的两种分类算法能有效提高相似用户的划分准确度。在谱聚类分类算法的基础上,提出的低秩矩阵填充联合优化算法,能有效提高用户感兴趣项目列表的推荐精度。