本文提出了一种基于用户和项目双重聚类的协同过滤推荐算法（D-Clustering），旨在解决传统协同过滤技术在电子商务推荐系统中面临的可扩展性、数据稀疏性和推荐质量等问题。算法首先通过IBCRA项目聚类算法对项目进行聚类，利用评分数据的稀疏差异度和项目类别构造集合差异度度量公式，有效处理高维稀疏数据特征；然后采用K-means聚类方法对用户进行聚类，简化处理流程。实验结果表明，D-Clustering算法在MAE、F1和RMSE等指标上均优于基于用户聚类和基于项目聚类的单一协同过滤算法，展现出更高的推荐质量和稳定性。具体数据对比显示，D-Clustering算法在不同邻居集数目下均能保持较低误差，且F1值表现更优，证明其能有效提升推荐的准确性和全面性。研究结论认为，通过结合用户聚类和项目聚类，D-Clustering算法不仅提高了推荐质量，还增强了算法的可扩展性，为推荐系统提供了更有效的解决方案。
