針對傳統協同過濾推薦算法在數據稀疏的情況下存在的性能缺陷和相似性度量方法的不足，為了提高推薦精度，改進原算法得到了一種基于多層次混合相似度的協同過濾推薦算法。該算法主要分為三個不同的層次：首先采用模糊集的概念將用戶評分模糊化，計算用戶的模糊偏好，并結合用戶評分的修正余弦相似度和用戶評分的Jarccad相似度總體作為用戶評分相似度；再對用戶評分進行分類來預測用戶對項目類別的興趣程度，從而計算出用戶興趣相似度；然后利用用戶的特征屬性來預測用戶之間的特征相似度；其次根據用戶評分數量來動態地融合用戶興趣相似度及用戶特征相似度；最后融合三個層次的相似度作為用戶混合相似度的結果。利用MovieLens公用數據集對改進前后的算法進行對比實驗，結果表明：當在鄰居集合數量較少時，改進的混合算法相對修正余弦相似度算法的平均絕對偏差（ MAE）下降了5%左右；較改進的修正的Jaccard相似性系數的協同過濾（MKJCF）算法也存在略微的優勢，隨著鄰居集合數的增加MAE也平均下降了1%左右。該算法采用多層次的推薦策略提高了用戶的推薦精度，有效地緩解了數據稀疏性問題和單一度量方法的影響。
?