协作筛选（CF）是推荐器系统中自动推荐的最成功方法之一。 CF的核心组件是使用他们的商品评分数据来计算用户之间的相似度。 现有的相似度计算算法通常会忽略不同用户之间的评级偏好差异。 也就是说，不同的用户可能会对项目进行不同的评分，以表达相同级别的推荐。 而且，用户的评级偏好对于正评级和负评级可能不是对称的。 在本文中，我们提出了评级偏好距离（RPD），以提高CF预测的准确性。 通过考虑正面和负面的偏好设置，这项新的相似性度量可以细粒度地处理用户的评分数据。 在四个公共数据集上进行的实验证明了新的