随着互联网的数据规模急剧扩大，用户无法准确迅速地找到自己需要的信息，为解决日益严重的信息过载问题，多种技术方案应运而生，推荐系统就是其中的佼佼者。推荐系统是一种个性化的信息服务，能够很好地充当用户和信息资源之间的桥梁。推荐系统通过建立模型，对用户的需求进行描述，再通过某种推荐策略将特定的信息资源主动推荐给目标用户。由于推荐系统具有个性化和智能化等特点，其在电子商务、社交网站和影音站点取得了巨大的成功，已经成为这些应用平台的核心子系统。基于协同过滤的推荐系统是应用最为广泛、研究最为深入的一类推荐系统，这类推荐系统算法的关键是寻找用户或者项目的邻居，邻居寻找的准确性决定了最后推荐结果的质量，而邻居的寻找依赖于用户或者项目相似度的计算，因此设计一个适合的相似度计算方法是推荐算法成功的关键问题。本文首先介绍了推荐系统的概念和推荐系统的模型，同时详细探讨了用户研究和用户模型，并对常用的推荐系统架构进行了分析和介绍；然后介绍了常用的几种推荐算法并介绍了各自适用的场景和优缺点以及主要的相似度计算方法和这些相似度计算方法的局限，接着介绍了常用的实验数据集和评价指标。传统的用户相似度计算方法中每个项目的权重是一样的，通过分析可以知道用户间共同高评分项目的权重应该高于用户间共同低评分项目的权重，再考虑上类群关系，就得到了本文提出的一种加权的用户相似度计算方法，这种方法解决了一些会导致寻找邻居准确性下降的问题。通过在MovieLens数据集上进行实验，与基于传统用户相似度计算方法的协同过滤算法相比较，实验结果表明，考虑了项目相似度权重的协同过滤推荐算法能显著提高评分预测的准确性和推荐结果的质量。