电子商务为用户提供了丰富的信息资源。然而，由于资源的复杂性和多样性，用户很容易迷失在海量的信息汪洋中，从而出现“信息过载”现象。个性化推荐系统能有效改善“信息过载”对用户造成的不便，因此被广泛应用。在个性化推荐系统中，协同过滤是最为常用的一种推荐算法。但是，由于评分数据稀疏、冷启动等因素的影响，导致其中相似性计算结果不准确，进而降低了推荐系统的推荐质量。针对这一问题，通过对传统相似性计算方法的改进，提出一种基于项目之间兴趣度的相似性计算方法(Similarity Measuring Method based on Item Interest Degree，记为IID-based)。主要研究工作如下:　　 1.对协同过滤推荐算法中现有的相似性计算方法进行了研究。通过对实例的分析，发现现有相似性计算方法普遍存在以下问题:在评分数据稀疏的情况下，难以有效反映出两个对象之间的相似程度;只利用用户对项目的评分进行相似性计算，计算结果不准确;使用传统相似性公式进行相似性计算，计算过程中会出现分母为0的情况，导致计算结果无意义。　　 2.针对现有相似性计算方法的不足，提出一种基于项目之间兴趣度的相似性计算方法。与现有方法不同的是，该方法不再仅以用户对项目的评分来进行项目之间相似性的计算，而是将其与项目之间的兴趣度相结合来进行相似性的综合计算。此外，该方法还采用绝对指数相似性计算公式来进行相似性计算，有效避免了计算过程中分母为0情况的发生。　　 3.为了验证所提算法的有效性，采用了重庆“趁热网”提供的数据集对算法进行仿真，并以平均绝对偏差MAE和均方根误差RMSE作为评价标准，评估IID-based相似性计算方法的推荐精度。实验结果表明，IID-based方法的MAE和RMSE的值均比传统相似性计算方法小。即相比于传统相似性计算方法，该方法具有更高的推荐精度，可以有效减小评分数据稀疏等不良因素对推荐系统推荐质量造成的消极影响。　　 4.将IID-based相似性计算方法应用于Android环境下的手机应用“基于餐馆的个性化推荐”，从而验证了算法的实用性和可行性。