近年,移动互联网和智能设备得到了快速的发展和普及,各式各样的网络应用服务越来越丰富。随之而来的是各种类型信息数据量的爆发,“信息大爆炸”时代已经到来。人们发现越来越难找到自己所感兴趣的内容。为解决这一问题,个性化推荐系统受到广泛研究与关注,并应用于各个领域。然而,常用的推荐系统往往只考虑用户评分数据本身,在评分矩阵稀疏时,用户所共同评价的物品数目过少,计算出的相似性可靠性变低,预测结果往往不尽人意。提出从用户的历史评分数据中挖掘出用户评价行为信息,作为计算用户相似性的辅助信息的思想。并以此修正相似度计算中的误差,最终提高推荐效果。具体的,定义用户评论指数与用户评价时间分布指数两个指标从两个维度衡量用户的行为,基于这两个指标,计算用户评价行为的相似度。然后提出几种融合模型,将用户的行为相似度与评分相似度进行融合,用以改善推荐系统的推荐效果。对于所提出的模型,从豆瓣网上爬取所需要的数据,分别在评分预测和TopN推荐问题上进行了模型间对比实验。结果表明,当用户共同评价的物品数目过少时,可以利用用户的行为相似度代替评分相似度,使得用户间相似度的计算更加准确。无论是在评分预测还是TopN推荐问题上,均比传统的基于用户的协同过滤算法取得更好的效果。