随着互联网高速发展，各类信息渠道相互贯通，数据量呈指数式激增。以电子商务领域为例，商品条目以亿万计，用户的时间被大量地耗费在检索和筛选上。过量的信息远超出用户处理范围，从而造成信息负担；所以如何缓解信息过载问题是目前研究的一个热点。协同过滤算法是目前研究最深入、应用最成熟的一种推荐技术，是应对信息过载问题的高效手段。相似性度量是包括协同过滤在内的推荐算法的核心环节，极大地关系到推荐结果的精准度和算法的综合性能。而先前的很多相似性度量方法普遍受制于以下问题：一是典型的相似性度量方法仅利用共同评分项，数据利用率低，在数据高度稀疏环境下表现较差。二是仅依靠评分数据计算相似性，未考虑其他方面信息，容易造成误判。三是用户的评分行为带有习惯等因素，评分不能直接与满意度等同。本文针对上述问题提出了如下策略，主要包括：
　　第一，设计适应稀疏数据的项目相似性度量方法。随着稀疏性的增大，愈难发现共同评分项，此时以共同评分为计算基础的相似性度量方法效率明显下降。本文引入生物信息科学领域的离散增量，依此构造了相异系数，提出了一种基于相异系数的项目相似性计算的方法，利用项目所有评分值的频数分布来计算相似性，摆脱了共同评分限制，有效缓解了数据稀疏性的影响。
　　第二，构造多维度度量的项目相似性模型。典型的协同过滤算法只依靠评分值计算项目相似性，维度单一，度量的全面性不足，容易误将评分上相近但实际相差很大的项目判定成相似的。为减少误判、提高推荐精度，本文首先结合改进的Jensen-Shannon(JS)散度，将绝对数量因素纳入相似性度量中；接着，引入属性标签，依据标签计算项目在属性上的相似度；最终，提出融合分值密度、评分数量、项目属性的多维相似性模型。
　　第三，构建能反映用户真实满意度的偏好模型。用户的评分行为带有主观性、习惯性，评分值不能直接等同于用户的实际满意度。针对此问题，本文基于波达评分理论构造了评分值转换为偏好的规则，接着加入用户习惯、评分倾向等因素对规则进行修正，得到最终的偏好模型。实验表明，现有的一些推荐算法使用本文模型转换后的数据进行计算，所得结果误差更小。
　　第四，提出混合推荐方法。利用偏好模型获得偏好数据，作为聚类算法的输入，产生用户的最近邻居集；结合多维的项目相似度算法，产生项目的最近邻居集；最后，设计出混合利用两个邻居集进行预测和推荐的策略。
　　本文提出的方法增强了对抗稀疏问题的能力、提高了推荐的质量，有较大的应用潜力。