1.一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：通过获取用户对物品喜爱程度和物品对用户重要性程度，然后加权获得用户相似度和物品相似度，具体步骤如下：

步骤1，获取数据，形成对数据进行预处理，将其转换成M×N的R矩阵；矩阵R中，第i行、第u列的元素riu表示用户u对物品i的评分；

步骤2，获取用于度量物品对用户的重要性的权重矩阵η；

步骤3，获取用于度量用户对物品的喜爱程度的权重矩阵ρ；

步骤4，将权重矩阵η和权重矩阵ρ分别与用户评分矩阵R加权，通过传统的相似度度量，分别获得用户加权相似度和物品加权相似度。

2.如权利要求1所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：步骤1中首先获取不同用户对不同物品的评分数据，对原始数据进行预处理，原始数据预处理方式包括数据清洗，转化；具体为对数据中的异常值、缺失值进行删除或者填充，并将评分信息转化为用户对物品评分矩阵形式。

3.如权利要求2所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：步骤2和步骤3中，权重矩阵η每列元素值为用户评分矩阵R对应位置除以该列和，权重矩阵ρ是每行元素为用户评分矩阵R对应位置除以该行和。

4.如权利要求3所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：权重矩阵η用于度量不同物品对同一用户的重要性；权重越大表示物品对用户越重要，所有物品对同一用户的重要性权重之和为1。

5.如权利要求4所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：M×N的权重矩阵η中ηi→u＝{η}iu,0≤ηi→u≤1且 由定义可知，ηi→u越大，物品i对用户u越重要；可得到

式中，ηi→u表示物品i对用户u的重要程度，Iu表示用户u的评价物品集合。

6.如权利要求3所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：权重矩阵ρ来度量不同用户对同一物品的喜爱程度，权重越大表示用户越喜爱物品，所有用户对同一物品的喜爱权重之和为1。

7.如权利要求6所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：M×N的权重矩阵ρ中ρu→i＝{ρ}iu,0≤ρu→i≤1且 由定义可知，ρu→i越大，用户u对物品i越喜欢；可得到

式中，ρu→i表示用户u对物品i的喜爱程度，Ui表示对物品i有过评价的用户集合。

8.如权利要求1所述的一种基于连续评分的推荐系统加权相似性度量方法，其特征在于：步骤4中，传统的相似度度量包括余弦相似度，皮尔逊相关系数，欧氏距离倒数，Jaccard相似系数相似性度量。