由于用户评分标准存在差异,基于打分的协同过滤推荐算法在近邻选择过程中存在误差｡针对以上问题,提出考虑用户间消极相似性的排序推荐算法 (NS-TauRank),该算法不经过对拟推荐项目的预测评分过程｡定 义 DP函 数 表 示 项目对相关属性,充分利用用户间的消极相似性,即相似性为负的用户之间的爱好相反,改进目标用户的近邻选择过程,采用舒尔茨方法进行偏好融合,优化目标用户拟推荐项目的排序｡在 Eachmovie和 movielens数据集上对改进算法进行验证,以 NDCG作为评价函数,验证结果表明,该算法在两个数据集上的 NDCG@1-2值较对比算法有4%-7%的提高,产生了更可靠的拟推荐序列｡