随着web2.0技术的飞速发展,网络上可用信息资源越来越多,从海量数据信息中获取自己需要的信息也变得越来越困难。为了解决信息过载的问题,推荐系统应运而生,推荐技术作为一种信息过滤技术,也逐渐发展为解决网络信息过载问题的一种有利技术。但是,随着应用系统规模的不断扩大,用户和项目的数量急剧增加,然而用户和项目之间的直接关系所占比率却越来越小,从而使得推荐系统面临严峻的稀疏性问题,导致推荐质量大幅度下降。而且,传统的协同过滤推荐算法主要是把用户评分相似度作为唯一信息员,忽略了用户之间的社会关系,一些恶意用户可能会提供大量虚假评分信息,也会造成推荐结果可能偏离用户需求。因此,面对数据稀疏性问题以及用户概貌注入攻击问题,如何改善推荐系统的推荐质量成为推荐技术领域广泛关注的重点课题。本文在综合分析目前国内外研究现状的基础上,借助数据源可信性和邻居选取策略,进一步对协同过滤技术进行了更为深入的研究。首先,针对传统用户相似度计算方法的不足,提出一种基于项目聚类计算用户相似度的改进方法。基于信任网络中的直连路径得出用户间的直接信任度,基于信任网络中的非直连可达路径计算用户之间的间接信任度,以及基于PageRank算法推算出专家推荐,以多角度形式计算用户之间的信任度,综合改进的用户相似度构建新型信任计算模型,提高用户之间信任度的准确性。其次,基于用户可信度的计算结果,提出一种自适应推荐方法,该方法首先确定目标用户所处的组别,然后依据目标用户所在组别的邻居个数的不同,采取不同的自适应推荐策略;根据目标用户分类的不同,采取相似度及可信度不同组合的方式选取最近邻居用户集,使得在提高邻居用户选取准确的同时,进一步扩狂邻居用户的搜索范围,从而有效克服数据稀疏性的问题。最后,在选取的数据集上,将本文提出的自适应算法与现有的经典推荐算法进行试验对比和分析。