计算机、互联网技术的飞速发展,极大地拓展了人们获取信息的渠道,有效促进了多样化信息的共享。然而,面对海量、复杂信息,人们在体验互联网便捷性的同时,也日益发现高效获取有用信息变得更加困难。为了缓解信息过载问题,推荐系统应运而生并迅速发展为电商平台、社交媒体等领域信息精准推送的关键支撑。然而,需要强调的是,尽管学术界、产业界围绕推荐系统取得了系列重要研究进展,但是,数据稀疏性仍然是其面临的重要挑战之一。数据稀疏情境下,用户之间共同兴趣项极少现象往往导致经典的相似性度量失效或不准确,因此,从用户行为、项目特征的深入分析入手,挖掘用户、项目的深层次信息,自然成为推荐方法的重要研究方向。本文立足于“用户-项目”两维视角信息的深入挖掘,通过综合考虑用户评分偏置、共同兴趣项占比、热门项目惩罚因子、项目质量偏置等关键因素,建立了基于相似度改进的协同过滤推荐方法。主要研究内容如下:（1）提出与改进基于用户评分差异的相似度度量准则。以用户视角为切入,考虑用户之间在共同兴趣项上的评分差异以及用户评分偏置行为,融合热门项目惩罚因子、共同兴趣项占比等信息,为更为细致地刻画用户之间的相关关系提供了有效的度量准则。（2）提出与改进基于项目质量差异的相似度度量准则。以项目视角为切入,考虑项目质量偏置这一重要影响因素,引入离散系数刻画项目评分的离散程度;通过与共同兴趣项占比、经典相关系数融合,为用户之间相关关系刻画提供了基于项目特征分析的相似性度量准则。（3）基于用户评分与项目质量信息融合的近邻推荐方法。以“用户-项目”两维视角信息融合为切入,以MAE值最小化为目标给出了两种相似度的权重度量机制,通过融合基于用户评分与项目质量的相似性信息,提出了旨在更为全面刻画用户、项目特征的近邻推荐方法。总体来看,本文着眼于更为细致、全面地分析与挖掘用户行为、项目特征,建立了融合用户评分与项目质量信息的基于近邻的协同过滤方法。以包含943个用户、1682部电影、100000条数据的Movie Lens-100K为实验数据集,通过实验测试及其比较分析验证了本文方法的有效性。研究成果丰富与发展了推荐系统的方法体系,在电商网站等各类推荐场景具有应用价值。