随着电子商务规模的不断扩大以及个性化推荐系统在电子商务中的广泛应用，使得推荐系统成为一个非常活跃的研究领域。目前，推荐系统面临着数据极端稀疏、冷启动等问题，使得传统的推荐算法推荐精度不高，尤其对协同过滤算法影响最为突出。究其原因在于推荐算法中传统的相似性度量方法只简单的利用用户评分来确定用户间或项目间的相似程度，这并不能准确的反应出用户或项目间的相似程度，从而造成推荐系统的推荐精度不高。　　 论文以协同过滤算法为基础，对算法中的用户间相似度的计算进行了探讨研究，并针对传统的相似性度量方法的不足给出了一种基于用户项目类别兴趣度的相似性计算方法来提高协同过滤算法的推荐效率。论文首先对协同过滤算法中当前采用的相似性度量方法进行了分析，指出传统相似性度量性方法的缺陷以及其研究的必要性；接着，针对传统相似性度量方法仅仅利用用户评分来衡量用户间的相似性的不足，将用户在项目类别上的兴趣度引入到用户间的相似性计算当中，并与用户评分相似性相结合得到一种基于用户项目类别兴趣度的相似性度量方法。通过实验对给出的方法进行了验证。实验结果表明，该方法可以有效地解决传统相似性方法中存在的不足，对推荐系统的推荐质量有明显提高；最后，将给出的相似性度量方法应用于重庆市某公司的客户个性化服务当中，开发网游客户个性化推荐平台，该平台能够根据数据源信息，为用户提供了个性化推荐功能，一定程度上满足了用户对平台个性化的需求。　　 通过以上研究，论文从相似性度量方法角度为提高推荐算法的推荐精度提供了参考，并为个性化推荐技术在网络游戏客户个性化推荐平台中的应用探索出了一条具有参考价值的途径。