随着信息时代的到来,海量的信息充斥着现在的社会生活,这对信息的生产者和用户来说都是一项巨大的挑战。推荐系统的产生为解决这个问题提供了有效的解决办法,作为信息生产者与用户之间的桥梁,它能够为用户筛选有价值的信息,同时也能够帮助信息生产者把自己的信息推广到对它感兴趣的用户面前。推荐系统的产生离不开协同过滤算法的发展,协同过滤算法是目前应用较为广泛的推荐算法。虽然目前协同过滤算法已经被应用到许多电子商务网站的推荐系统当中,但是仍然存在一些有待解决的问题。本文针对协同过滤算法中相似度计算未考虑实际场景影响的问题,对相似度计算方法做出了如下的改进:首先,提出了基于用户偏好的相似度计算的改进办法。本文针对热冷门物品对相似度计算的影响,采用热门物品惩罚因子来减少热门物品在相似度计算中所占的比重,并将这种因子引入到余弦相似度计算当中;考虑到用户共同评分项目数量对两用户相似度的影响,我们采用杰西卡相关度计算与改进的余弦相似度计算相结合的方式来进行用户相似度计算。其次,提出了基于项目关联的相似度计算的改进办法。针对传统的相似度计算只考虑项目评分,从而导致项目相关度计算不合理的问题,我们采用了项目的评分相似度与项目的语义相似度线性加权的方式来计算项目相似度。然后,将上述的改进办法以加权Slope one算法为载体,将上述提出的相似度计算方式应用到Slope One算法当中,提出了一种融合用户偏好和项目关联的加权Slope One算法UI-Slope One。最后,通过实验确定了上述两种改进方式中的两个参数的最合适取值,以及近邻用户集合的最适合取值。将两个参数代入公式其中,经过试验对比,可以证明,本文提出的改进后的相似度计算办法相对于传统的相似度计算,实验得出的MAE和RMSE值都较低,具有更好的评分预测效果。并且UI-Slope One算法与其它两种针对Slope One算法提出的优化方法相比,具有较好的评分预测效果。