随着互联网技术的飞快发展,互联网信息爆炸式增长,导致信息过载问题。推荐系统是解决信息过载的重要工具。个性化推荐系统中的协同过滤推荐是目前为止应用最广泛的推荐技术。但是随着推荐系统的广泛应用,推荐算法存在着严重的数据稀疏、冷启动和数据安全等问题。推荐算法自身不能有效去除恶意数据,为有效解决这几个问题,本文对推荐系统中的虚假信息进行处理,并围绕基于信任度以及矩阵分解技术的协同过滤推荐算法展开研究。本文的主要工作和创新如下:随着电子商务的快速发展,平台内存在大量的虚假信息,严重干扰了平台的推荐系统,使得推荐给用户的项目满意度下降,本文提出融合情感极性与D-S理论的虚假评论检测方法,综合考虑了评论者行为特征,评论文本特征以及评论文本情感极性特征,构建多维特征模型。利用单特征下的支持向量机模型初步识别结果作为独立证据计算基本信任函数,再利用D-S证据理论进行决策级融合,并根据识别框架下的证据支持度对评论进行判断。从大众平台爬取数据作为数据集进行实验。在算法对比中,本文提出的算法在检测性能上优于相关文献提出的检测算法。在web2.0时代社交网络普及,基于社交网络推荐算法引起研究者的关注。针对目前信任关系考虑不全问题,本文提出基于综合信任的社会化混合推荐算法。该算法考虑了用户的综合信任度,构建信任矩阵。并且考虑了项目间的关联度,结合概率矩阵分解模型实现混合推荐算法。该算法在Epinions数据集上实验取得了不错的效果。然后结合数据检测技术再一次实验,通过虚假评论检测技术处理后的数据运用到基于综合信任的推荐算法系统中,与没有经过处理的数据推荐结果对比。检验本文算法的鲁棒性以及推荐效果是否得到提升。在Epinions数据集上实验表明,通过数据处理后的基于信任推荐算法在推荐评分误差以及算法鲁棒性都取得了提高。