随着Internet技术的高速发展,互联网信息的高速增长已经远远超出我们接受信息的能力,导致了信息过载的问题。因此,找到有趣的信息资源的方法是值得研究的,为了解决这个问题,推荐系统应运而生。在推荐系统中应用的最流行、最成功的推荐算法是协同过滤,其中容易实现而扩展性好的一种算法是Slope One算法。另外,由于推荐系统的广泛应用以及其带来的巨大经济利益,一些恶意用户开始制造大量的虚假评分,进行所谓的用户概貌攻击,从而导致了推荐结果的不准确性。面对这类攻击形式,如何才能给用户提供更加准确和令人满意的推荐结果,成为一个亟待解决的问题。因此,本文从数据集的真实性、用户间的信任关系、评分的可信性等几个方面对多信任值情况下的Slope One算法进行了研究。首先,本文分析了传统Slope One算法及加权Slope One算法的不足,并且针对这两种推荐算法所存在的推荐准确度低的问题,构建出结合用户直接信任关系和评分信任值的可信推荐模型,基于此我们提出了改进后的Slope One算法。其次,为了解决数据集中存在大量虚假评分的问题,本文基于用户评分的分值分布和时间分布两个特性,利用贝叶斯模型来识别原始数据集中的虚假用户和评分,从而实现对数据集的可信检测,并将其融合到基于用户信任与评分信任的Slope One算法中,得到基于数据检测的改进算法。然后,用平均绝对值误差作为预测准确度的衡量指标,对比分析了两种算法的推荐效果。结果表明,改进算法在预测准确度上有了一定的提高。最后,介绍了原型推荐系统的系统架构,以及关键模块的设计与实现,并且对推荐系统的性能优势进行了简单的分析。