針對基于七近鄰的協(xié)同過濾推薦算法中存在的評分特征數(shù)據(jù)維度過高、七近鄰查找速度慢，以及評分冷啟動等問題，提出基于數(shù)據(jù)降維與精確歐氏局部敏感哈希（ E2 LSH）的五近鄰協(xié)同過濾推薦算法。首先，融合評分數(shù)據(jù)、用戶屬性數(shù)據(jù)以及項目類別數(shù)據(jù)，將融合后的數(shù)據(jù)作為輸入對堆疊降噪自編碼（ SDA）神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，取神經(jīng)網(wǎng)絡(luò)編碼部分最后一個隱層的值作為輸入數(shù)據(jù)的特征編碼，完成非線性降維。然后，利用精確歐氏局部敏感哈希算法對降維后的數(shù)據(jù)建立索引，通過檢索得到目標用戶或目標項目的相似近鄰。最后，計算目標與近鄰之間的相似度，利用相似度對近鄰的評分記錄加權(quán)得到目標用戶對目標項目的預(yù)測評分。在標準數(shù)據(jù)集上的實驗結(jié)果表明，在冷啟動場景下，均方根誤差比基于局部敏感哈希的推薦算法（ LSH-ICF）平均降低了約7.2%，平均運行時間和LSH-ICF相當(dāng)。表明該方法在保證推薦效率的前提下，緩解了評分冷啟動問題。