随着信息技术的高速发展,网上信息资源越来越丰富,出现了所谓的“信息过载”和“信息迷向”问题,即人们很难找到自己感兴趣的信息。数据挖掘和协作过滤正是应这种需要而产生的。数据挖掘是在大量数据中找到规律,发现有用信息；协作过滤,它通过分析用户兴趣,在用户群中找到指定用户的兴趣相似用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度的预测。推荐系统是网站用来向顾客提供产品信息和建议,也是数据挖掘和协作过滤现实中的很好的应用方面。　　 在研读了大量的数据挖掘和推荐系统方面的资料后,本文将实现两种推荐算法,能够当用户登录时,按照对以往此用户的日志记录挖掘的规律,首先给用户推荐他感兴趣的信息。本研究所做的主要工作:　　 1)使用隐式浏览输入,通过一定的数据抽取转化,作为数据挖掘的输入,一般用户的点击、浏览日志作为数据的主要来源,通过简单的用户行为来发现用户特性。相对以往的推荐算法一般都是针对显式浏览输入,要用户注册、评分来挖掘用户属性,这种方式将是以后数据挖掘的主要方向。　　 2)用户属性匹配技术,建立在数据挖掘的基础上,通过用户的行为,将用户浏览或点击的产品属性信息赋予给这个用户,再根据用户属性与产品属性的相似度,提供推荐。文章中提出并实现这一算法思想,这种方法的提出提供了推荐技术的一种新的思路,并对其进行评估,验证了其有效性。　　 3)基于聚类的协作过滤技术,将数据挖掘的聚类和最近邻居算法结合,共分为数据抽取、转换,聚类离线模块,推荐模块和数据库更新四个模块,通过聚类方法减少最近邻居的搜索范围,最后通过协作过滤技术进行预测评分,实现推荐。实验验证这种方法提高推荐的有效性及准确率。