个性化推荐服务可以根据用户的兴趣为用户提供个性化的推荐项目和商品。协同过滤推荐技术是其中应用最广泛和常用的技术。随着协同过滤技术的不断发展，协同过滤的作为推荐技术最重要的评价标准的推荐精度和准确度的提升成为研究的热点。　　论文针对传统的基于预测评分的协同过滤算法存在的推荐准确性问题进行分析，通过分析针对基于预测评分的协同过滤中的计算项目相似度这一关键步骤上的隐反馈作用、用户活跃度影响、评分的主观性和相对性的有机统一等缺陷提出了三点优化措施，同时给出了每一点优化的理论依据和分析，这三种改进方式分别为:　　1)针对评分的主观性和相对性问题，论文提出了基于项目评分的相似度线性混合:使用Pearson相似度和修正的余弦相似度线性混合计算相似度。该方法将评分的相对性和主观性有机的结合在一个相似度之中，并能根据不同场景自适应的变化。　　2)针对隐反馈的作用问题，论文提出了使用隐反馈修正评分相似度:使用隐反馈的TopN推荐算法中的相似度修正基于评分的相似度计算。该优化方法使用隐反馈相似度修正基于预测评分的相似度计算，弥补隐反馈的缺陷。　　3)针对用户活跃度的影响方面，论文通过加入用户活跃度修正因子的隐反馈修正相似度:通过在已经得到的隐反馈修正的相似度中加入本文引申出的用户活跃度修正因子。该优化方法成功减少了活跃用户的影响，提高了推荐精度。　　上述三个改进措施可以一起优化相似度计算，得到一个整体的相似度计算方法，从而得出一个完整的优化相似度的协同过滤算法。　　论文采用电影、书籍、约会三种不同类型的数据集来模拟三种不同的推荐场景对所有优化后的算法进行了比较和验证，实验表明在大部分场景中，论文提出的三种优化方法都能不同程度的提高推荐准确度和推荐精度。