У роботі розглянуто математичні основи алгоритмів кластеризації для рекомендаційних систем. Проведено порівняльний аналіз алгоритмів k-середніх, спектральної кластеризації та алгоритму Louvain з точки зору їх ефективності для групування користувачів з подібними вподобаннями. Досліджено цільові функції, що оптимізуються кожним з алгоритмів, та обґрунтовано їх застосування для різних типів даних про користувачів. Запропоновано модифікацію спектральної кластеризації, що покращує точність рекомендацій для соціальних мереж за рахунок оптимізації нормалізованого розрізу графа. Експериментальні результати демонструють підвищення якості рекомендацій на 12% при застосуванні модифікованого алгоритму порівняно з класичним підходом.