針對(duì)基于七近鄰的協(xié)同過(guò)濾推薦算法中存在的評(píng)分特征數(shù)據(jù)維度過(guò)高、七近鄰查找速度慢，以及評(píng)分冷啟動(dòng)等問(wèn)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(guò)濾推薦算法。首先，融合評(píng)分?jǐn)?shù)據(jù)、用戶(hù)屬性數(shù)據(jù)以及項(xiàng)目類(lèi)別數(shù)據(jù)，將融合后的數(shù)據(jù)作為輸入對(duì)堆疊降噪自編碼（ SDA）神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，取神經(jīng)網(wǎng)絡(luò)編碼部分最后一個(gè)隱層的值作為輸入數(shù)據(jù)的特征編碼，完成非線(xiàn)性降維。然后，利用精確歐氏局部敏感哈希算法對(duì)降維后的數(shù)據(jù)建立索引，通過(guò)檢索得到目標(biāo)用戶(hù)或目標(biāo)項(xiàng)目的相似近鄰。最后，計(jì)算目標(biāo)與近鄰之間的相似度，利用相似度對(duì)近鄰的評(píng)分記錄加權(quán)得到目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，在冷啟動(dòng)場(chǎng)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(yùn)行時(shí)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(píng)分冷啟動(dòng)問(wèn)題。