稀疏性是推荐算法存在的问题之一，解决稀疏性问题的常用方法是矩阵分解，矩阵分解结合用户相似度可以提高推荐的准确率，但是传统的相似度计算方法并未考虑用户对项目评分数量的差异，因此构建的相似度矩阵是对称的.针对这一问题，结合Pearson相关系数，给出一种新的计算方法——用户非对称相似度.在考虑用户对相同项目评分的同时，计算用户间评分相同的项目数与用户所有评分项目数的比值，以此拉近用户之间相似的程度，且得到用户之间的非对称关系.其次，利用用户非对称相似度方法计算用户间相似度矩阵，将相似度矩阵与用户评分矩阵融入到概率矩阵分解框架中，实现用户的社会化推荐.在公开数据集上测试，结果显示改进的非对称相似度公式相比传统的相似度计算公式，在稀疏的数据集上进行社会化推荐能得到更准确的推荐结果.