随着互联网的快速发展，Web成为了人们获取信息的主要途径。然而由于电子商务的广泛普及，如何为用户提供有用的信息成为了一个研究热点。虽然搜索引擎的出现在一定程度上满足了人们对信息检索的需求，但是无法满足不同领域、不同层次的用户需求。因此，个性化推荐技术作为个性化服务的一种模式应信息检索的需求而产生，其本质是信息过滤。推荐系统作为解决信息过载的重要工具，为用户提供如电影、音乐、书籍及新闻等方面的个性化推荐。在过去的十年里，研究者致力于各种推荐技术的探究并将其应用到实际系统中。协同过滤推荐是目前最为经典并为广泛应用的推荐技术，它根据目标用户的偏好以及与该用户具有相似偏好的用户的项目评价，向目标用户进行新项目的推荐或评分预测。然而，协同过滤技术存在冷启动和数据稀疏等问题。基于联合相似度的协同过滤算法，将社会网络分析的方法引入到协同过滤推荐系统中。利用用户-项目二部图、用户-用户单部图以及基于相同浏览行为模式的行为网络图分别生成相似度矩阵，然后依据相似度矩阵的密度来确定其在联合相似度中的权重，最终生成联合相似度。最后在豆瓣数据集上将此算法与现存的一些评分预测及推荐算法进行了对比试验，试验结果表明基于联合相似度的协同过滤算法在评分预测及推荐结果上更加精确。