个性化推荐是解决互联网时代"信息过载"问题和提供个性化服务的重要技术手段，在电子商务领域得到广泛的应用，引起学术界的极大关注。协同过滤算法是个性化推荐系统提高个性化服务最成功的推荐技术。目前大多数协同过滤算法的研究中，在衡量用户间相似度时往往忽略了用户共同评价项数目这个重要因素，从而降低了最终的推荐效果。针对上述问题，本文首先通过仿真实验分析了传统协同过滤算法没有考虑用户共同评价项对推荐精度产生的影响及原因；在此基础上，基于用户共同评价项对传统协同过滤相似性度量方法进行改进，提出了基于用户共同评价项的比例阀值相似度衡量的协同过滤算法、10g函数阀值的相似度衡量的协同过滤算法以及概率统计阀值的相似度衡量的协同过滤算法。最后，通过实验对多个改进的相似性度量方法的推荐精度进行分析比较。实验结果表明，本文提出的新算法比传统协同过滤算法不仅在推荐精度有较大程度的改善，而且可以更加全面的衡量用户间的相似性。改进的新算法具有以下特点：(1)推荐精度明显优于传统协同过滤算法。本文从用户评分和共同评价项目数两个方面衡量用户间相似性，在保持传统最近邻协同过滤算法优点的同时，可更加准确的衡量相邻用户的相似性，从而使系统的推荐结果真正符合用户真实偏好。实验表明改进算法的推荐精度有了显著的提高；(2)本文通过实验方法，对多个基于改进的相似性度量方法的协同过滤算法在准确性、复杂性进行分析，结果表明与传统算法中的用户-项目评分矩阵相比，本文提出的算法有效地提高了推荐系统的实时性。为了更好的衡量用户间的相似度，在未来的研究中可结合社会网络进一步改善相似度的衡量方法，通过朋友关系更好地为目标用户提供其所需要的商品。