协作过滤（CF）是推荐系统中最成功的算法之一。 但是，它遭受数据稀疏性和可伸缩性问题的困扰。 尽管已加入许多聚类技术来缓解这两个问题，但是其中大多数未能在推荐准确性上实现进一步的显着提高。 首先，它们中的大多数都假设每个用户或项目都属于一个集群。 由于通常用户可以拥有多个兴趣并且项目可能属于多个类别，因此更合理地假设用户和项目可以加入多个集群（组），其中每个集群都是志趣相投的用户和他们喜欢的项目的子集。 此外，大多数基于聚类的CF模型仅在聚类过程中使用历史评级信息，而忽略了推荐系统中的其他数据资