随着信息技术和社会经济的发展，电子商务同新月异。在传统电子商务环境之下，为了提高用户在电子商务系统中的体验和满足用户的个性化需求，研究者提出了个性化推荐系统。该系统可以智能地为用户推荐符合其个人兴趣的商品。协同过滤推荐技术是这个领域的核心内容，并且得到了广泛的研究与应用。但是协同过滤推荐技术需要大量的评分数据作为基础，这涉及到稀疏性问题。要求用户主动给出评分，即使是在传统的电子商务中，也会给用户带来不好的体验。更何况在日渐兴起的移动商务环境之下，由于移动商务网络带宽窄、费用按流量计算，终端显示能力弱、运算效率低等特点，想收集到足够的评分数据是非常困难的。 本文对协同过滤推荐系统中隐性评分模型进行了研究，从而为电子商务和移动商务环境下的协同过滤推荐系统提供足够的评分数据基础。所谓隐性评分，就是在不中断用户正常浏览或购物行为的情况下，通过智能的分析方法得到用户对项目的量化偏好，也即是评分。本论文在前人的研究基础之上，总结了各类影响用户隐性评分的指标，提出了三种计算用户隐性评分的模型。所提出的每个模型各有特点，适合于不同的电子商务和移动商务环境中的各种应用对象。基于时间信息的隐性评分模型，其特点是基础数据易于收集，计算简单，但是其针对的项目对象较为特殊。基于购物篮数据的隐性评分模型，其特点是基础数据较为容易收集，计算复杂，对象较为广泛。基于综合信息的隐性评分模型，其特点是基础数据收集难度较大，计算复杂，可以应用于所有的推荐对像，准确性较高。同时，在提出每种模型之后，本论文都对其进行了实验测评，对模型的效果进行检验。在进行实验的时候，所用到的数据有其它研究者的研究数据，也有自己收集到的数据；采用的程序有现成的，也有自己开发的。