随着web2.0的快速发展,信息过载替代原有的信息匮乏已成为用户在互联网获取信息时所面临的最大问题。推荐系统正是为解决这一问题而产生的,而推荐算法是整个推荐系统的核心。近年来,协同过滤推荐算法由于其独特的优越性在很多领域受到人们的关注。基于近邻的协同过滤推荐算法是协同过滤算法中最为直观的一种算法,其构建主要依赖于两个方面的因素：相似性度量和近邻的选择。近邻协同过滤算法存在一个内在的假设,即相似性越强的两个用户对同一项目的评分越一致,同一位用户对于相似性越高的项目对评分越一致。相似性是利用评分矩阵、用户以及项目特征确立的用户之间和项目之间的潜在关联程度,也是构建近邻集合的基础。准确衡量用户之间和项目之间的相似度关系,进而确定合适的最近邻集合,对最终推荐结果起到至关重要的作用,也是推荐算法需要解决的一个重要问题。本文对八种不同的相似性度量分别取不同规模的近邻来进行评分预测,在分析它们对模型精度的影响后,选取其中的部分预测模型构建一个混合评分预测模型,并进行性能对比分析。在标准的Movielens数据集上进行交叉实验。单个模型在数据集上的实验结果表明相似性度量与近邻规模对评分预测模型的影响很大；融合后的评分预测模型在数据集上的实验结果表明混合的评分预测模型在稳定性、预测精度等方面均有所提升。