本文的研究内容来源于国家自然科学基金面上项目“基于异构服务网络分析的Web服务推荐研究”。当前，随着信息技术与电子商务的发展，推荐系统逐渐成为电子商务技术的研究热点，其中应用最广泛也最成熟的推荐技术当属协同过滤技术。本文着手于分析现存协同过滤算法的不足，从提升推荐质量的角度出发，研究并改进了协同过滤技术中的相似性度量算法。现有算法对用户或项目进行相似性度量时通常只考虑直接关联的对象，会出现准确率低下的问题。针对该问题，将用户或项目之间的相似度分为全局和局部两类，并分别设计算法计算其相似度。所提出的方法能使相似度计算结果更加全面准确，进而为协同过滤系统提供基础。本文主要完成了如下工作：①分析了推荐系统的原理及各种推荐相关技术，重点研究了协同过滤推荐技术方法，剖析了现有推荐算法中存在的问题，对改进推荐算法的必要性做出了阐述并说明了改进相似性度量算法对整个协同过滤算法改进的意义。②针对协同过滤算法中相似度准确率较低的不足，提出从评分矩阵的全局信息和局部信息两个方面优化相似性度量算法。③提出基于全局的相似性度量方法，通过改进的Jaccard算法和用户评分偏好算法计算全局相似性；在局部相似性度量方面，同时从相近性，同类型和一致性三个度量标准考虑局部相似度算法，最后将全局相似性度量方法和局部相似性度量方法结合得到本文提出的GASA算法。④通过实验验证了基于GASA的协同过滤推荐算法的有效性。⑤设计了基于全局和局部相似性度量的协同过滤推荐引擎，并应用于原型系统。