随着网络资源数据量的爆炸式增长,用户获取有效信息的难度增大,在这一背景下推荐系统应运而生。现今,推荐算法已被广泛应用于电子商务等不同应用场景之中。针对当下主流商用推荐系统中应用最广泛的协同过滤推荐算法,不同的学者采取了相应的措施进行改进。其中协同过滤算法最关键的步骤莫过于用户(或项目)相似度计算,但传统算法在评分矩阵数据稀疏的情况下预测精度较低,所以针对上述问题,本文提出了基于邻居用户评分误差的改进协同过滤算法,主要贡献如下:1、本文改进算法采用逆向思维,从项目特征属性出发,考虑项目的特征属性对用户的评分行为影响。此外,考虑到用户评分数据复杂性,本文利用BP神经网络能处理复杂非线性问题的优点,通过结合粒子群优化算法全局寻优的特点,构建出用户与项目属性特征之间的评分预测模型,简称PSO-BP评分预测模型,通过以模型输出的邻居用户预测评分与目标用户同一项目历史实际评分的误差为评判标准,以此来判定用户间的喜好相似程度,进而改善传统算法在评分矩阵数据稀疏的情况下,预测评分准确性和可靠性较低的问题,提高传统算法在矩阵数据稀疏情况下的评分预测精度。2、本文通过自定义相似度计算函数计算出的相似度矩阵维数更低,达到了降低维数的目的,减轻了系统内存开销,改进了算法扩展性问题。本文采用MovieLens、InternetBook数据集,通过将本文改进算法和传统协同过滤算法以及其他学者的改进算法在三种不同划分比例的数据集上进行实验测试,最终得出本文提出的改进算法在评分预测准确性与鲁棒性上都要优于传统协同过滤算法。