近年来,推荐系统已经成为解决信息过载问题的首选方法,其中又以协同过滤算法的应用最为广泛,而相似度度量方法是协同过滤算法的核心。目前已经有许多衡量用户或项目之间相似度的方法,但是仍然存在许多不足,影响到推荐准确度。这些不足包括:1)用户兴趣偏好的刻画问题:仅根据用户评分值的差异无法很好的刻画用户的兴趣偏好,影响用户之间的相似度计算;2)共同评分项目少:评分数据的稀疏性使得用户之间共同评分的项目较少,导致基于用户共同评分项目的相似度算法的结果准确性降低;3)评分隐含信息的发掘:用户评分中包含有能够反映用户兴趣偏好的信息,大部分相似度算法对这些隐含信息的发掘不充分,上述这些问题都会直接影响推荐系统的准确度。针对以上不足,本文提出了四种改进的相似度算法。(1)基于信息熵(Entropy)和偏度值(Skewness)改进的算法。通过用户评分分布的信息熵和偏度值来区分用户评分行为的不同,从而刻画用户的兴趣偏好差异,并在此基础上构建用户之间的相似度;(2)基于推土机距离(EMD)改进的算法。通过EMD来度量项目评分分布之间的距离,通过非线性映射转换为衡量非共同评分项目之间的相似性,利用用户在非共同项目上的评分来更好的计算用户之间的相似度;(3)基于非对称性拉普拉斯分布(ALD)建模改进的算法。用ALD对项目评分分布建模,发掘出用户评分中隐含的惊异度(Surprisal)信息,根据用户的惊异度向量计算它们之间的相似度;(4)融合多相似度的新混合算法。将接近1的高相似度进行放大,放大后的值被看作相应算法对近邻用户与活动用户相似度的一次投票,最后将多个算法的投票值累加并转换为近邻用户与活动用户之间新的相似度。通过在不同大小的MovieLens数据集上进行对比实验和MAE分析,验证了本文四种相似度算法的有效性,以及与传统算法以及其他相关的改进算法相比较,其所具有的更好的推荐准确度。