随着互联网技术的飞速发展,互联网上的信息量呈爆炸式增长。因此,对于每个用户来说,很难在如此庞大的数据中找到他们真正感兴趣的信息。个性化推荐技术作为解决信息过载的有效方法之一,已经得到了广泛的研究和使用。其中,协同过滤推荐方法应用最为广泛。而基于邻域的协同过滤推荐方法因其设计简单、可解释性好、稳定性强等优点,受到学术界和工业界的广泛关注和研究。其核心思想是通过度量用户（物品）之间的相似性来选择自己的邻居,再根据邻居的偏好生成推荐,因此所选邻居的质量将决定系统推荐结果的质量。在现有的相似性度量方法中,使用和处理评分相同的用户（或物品）时不会区分用户之间的差异和物品之间的差异。然而在日常生活中,某个用户会比其他用户更喜欢某些物品,而一些用户对某类物品比其他物品更加喜爱。传统的相似度度量在计算时未考虑这些偏好的影响,导致相似度计算不准确、推荐精度较低的问题。为了解决上述问题,本文主要做了以下几方面的工作:一、针对在传统相似度计算时未考虑用户对物品的重要性程度以及物品对用户的重要性程度的问题,提出了加权相似性度量来量化用户间和物品间的相似度;通过定义用户的核心物品和物品的核心用户的概念,研究不同物品对用户和不同用户对物品重要性的差异;然后,提出CUIS算法（Core-User-Item Solver）来迭代更新出系统的核心用户和核心物品,以及用户对物品和物品对用户的重要性权重系数;最后通过严谨的理论框架证明了CUIS算法的快速收敛性和最优性,并且在真实数据集上的实验也验证了CUIS算法对不同的相似性度量都能有效地收敛到最优解。二、针对提出的加权相似性度量是否可以改善推荐精度的问题,研究基于CUIS算法获得的核心用户和核心物品以及两种重要性权重,提出了三种推荐方法来进行验证,而每种方法又可分为基于用户和基于物品两种推荐模式。基于核心用户和核心物品的推荐器推荐与核心用户或核心物品相似的用户或物品。基于核心用户和核心物品的kMeans聚类推荐器先将用户或物品进行聚类,缩小搜索范围,再进行推荐。基于加权相似度的PAF推荐器推荐邻居中最流行的物品（或最忠诚的用户）。实验分别使用提出的加权相似度度量与传统相似度度量,从二进制离散评分和连续评分两种情况进行比较。实验结果表明,提出的加权相似性度量优于现有相似度度量方法,可以提高推荐性能。