针对协同过滤算法中项目（用户）之间的相似度计算出现的部分项目的相似度无法计算、对稀疏数据效果较差等问题，提出了一种计算项目之间相似度的新算法——Dice-Euclidean相似度算法。该算法综合考虑两个项目的共同评分数占总评分数的比例、项目评分向量夹角和项目评分向量距离三个因素来衡量向量的相似度。在MovieLens数据集上进行的实验表明，Dice-Euclidean算法相比cosine、pearson、adjustedcosine、CF_P_D算法，MAE值降低了10.2%、21.9%、6.3%、4.0%，从而得出Dice-Euclidean算法使得数据稀疏性对最终推荐结果的负面影响变小。