推荐系统是解决信息过载问题的重要手段,其中最常用的方法是协同过滤算法。协同过滤通过分析用户的行为数据,帮助用户发现他们可能会感兴趣的物品。协同过滤的基本思想是给用户推荐与其相似的用户喜欢的物品或者与其喜欢物品相似的其他物品。本文对协同过滤算法进行深入研究,改进了相似性度量、评价标准以及过滤方法,并用实证实验进行了检验。首先,我们针对传统相似性度量,提出了基于距离的相似度,弥补了传统相似度量在评分绝对偏差上的短板,实证分析表明,基于距离的相似度在某些指标下具有着更好的效果,并且具有不同的性质。其次,为了更加准确的反应商业实践中的需求,我们定义反应推荐的准确率和覆盖率的三种指标:Precision,Recall,F1,从实证结果来相对于传统指标看具有一定的不同意义。我们进一步对于多种相似性进行了基于共同评分数的显著性加权,增强了相似度的可靠性,总体改进了效果,但也观察到例外。最后,我们提出高相似度推荐算法,优先考虑相似度较高的对象,改进了常用的KNN算法,并在实验中验证这一改进的有效性。