互联网作为人们获取信息的主要途径,在给人们生活带来便利的同时,也使得人们不得不面临信息过载的问题。由于推荐系统能有效缓解信息过载,在互联网公司中应用非常广泛,其中,协同过滤推荐系统作为推荐系统领域的重要分支,一直是相关学者研究的重点。由于协同过滤推荐算法对系统的推荐准确性要求较高,算法的实现通常会很复杂,与此同时,在真实的网络环境中不可避免的存在虚假评分误导用户、算法在处理与用户相关的推荐任务时往往表现不佳等问题,为了解决以上问题,本文提出了一种基于可信数据和改进用户相似度融合的slope one协同过滤推荐算法,本文的主要工作如下:1.在基于用户的协同过滤算法中,用户相似度虽然能使用改进cosine相似度和皮尔逊相关度来得出,但是可能会忽略不同用户对单个项目的评价差异对用户相似度计算所造成的影响,即在计算用户相似度时,用户对项目的评分向量有显著差异时,仍会得到相似的合向量结果,最终影响系统的推荐准确性。针对这一问题,本文提出一种改进的用户相似度算法。该算法在传统的余弦相似度算法中加入了平衡因子来计算不同用户之间的项目评分差异。通过在Movie Lens数据集下测试,得到了最合适的平衡因子值,同时验证了基于该平衡因子的最佳阈值在算法实现中的有效性,有效地缓解了用户对项目评分差异对相似度计算结果的影响,获得了较好的推荐结果。2.深入研究了基于可信数据的融合推荐算法,为了提升在相同可信率下推荐系统的准确性,提出了一种基于可信数据和改进用户相似度融合的slope one算法,该算法包括三个步骤,首先,我们选择具有一定数量的可信数据,其次使用改进的相似度算法计算用户之间的相似度,最后,我们将得来的相似度加权到slope one算法中,得到最终的改进推荐算法。经过一系列实验,最终结果表明本文提出的改进slope one推荐算法比传统的slope one算法在相同可信率下MAE、RMSE指标表现更好,同时在邻居数较低时也能获得较好的推荐性能,缓解了评分矩阵的数据稀疏性,具备很高的实用价值。