【摘要】文章针对传统推荐系统在数据稀疏性情况下用户相似性度量精度不高的问题,提出了一种多维度用户相似性度量的协同过滤算法。首先根据用户-项目打分矩阵,考察用户共同评分项目数和用户活跃度对用户相似的影响,并计算用户的相似度;然后通过修正皮尔逊用户相似性计算用户的相似性;最后通过一个权值来控制两者的重要程度,综合计算用户的相似性。研究结果表明权重系数为0.4,即修正的皮尔逊用户相似性的占的比重较大时,推荐系统的推荐质量最好;同时多维度用户相似性度量的协同过滤推荐算法在MAE、召回率RE和准确率三个方面都要优于经典的余弦相似性协同过滤算法以及皮尔逊相似性协同过滤算法。