伴随着大数据时代的快速发展,人们逐渐陷入了信息海洋,信息过载问题成为大数据时代严重的负面问题之一。为缓解信息过载问题,个性化推荐技术应运而生。协同推荐技术是推荐系统最成功的推荐技术之一,传统的协同推荐算法存在数据稀疏、推荐的实时性、准确性以及冷启动等问题,针对此问题,大量国内和国外学者提出各种解决办法,并在一定程度取得较理想的效果。然而针对协同过滤存在的评分尺度差异问题所提出解决办法却相对较少。本文主要对推荐系统面临的推荐准确性进行了深入分析和研究,在User-Based协同过滤算法的基础上,结合针对用户评分尺度差异提出的解决方案,设计了一种基于用户相似度改进的协同推荐算法。首先,本文对当前个性化推荐技术在国内外的发展现状进行综述,对主流的推荐技术进行了比较和分析。然后,通过分析传统协同推荐技术中的核心算法,即用户相似度计算方法,发现协同过滤算法还存在另一个问题:在计算用户相似度时,用户之间在项目集合内对所有项目的评分尺度差异会被忽略。尽管目前提出的修正的余弦相似度算法和皮尔逊相似度算法在一定程度上对传统的余弦相似算法在的评分尺度差异完全忽略问题有所改善,但是用户之间对项目的单条评分尺度差异问题依旧存在。当两个用户对一组共同评分项目集合的评分向量存在较大的不同时,他们的评分向量的合向量是有一定几率得到比较相似的结果。接下来,通过对余弦相似算法在多维空间评分向量存在的评分尺度差异问题,修正的相似算法和皮尔逊相似算法在多维空间尺度差异向量存在的问题进行了详细的分析,找到一种可以对该差异进行平衡的解决办法,即在传统的三种用户相似算法中加入一种用户之间对单条项目评分尺度差异计算的平衡因子,提出了一种基于用户相似度改进的协同推荐算法。最后,通过实验得到最合适的平衡因子阈值,再通过基于该阈值的改进协同推荐算法,设计了一系列合理的实验对该算法的有效性进行验证。实验结果表明,本文提出的基于用户相似度改进的协同过滤算法能在较大程度上提高用户相似度的准确率,并得到较好的推荐效果。