由于移动互联网和通信技术的高速进步和发展,使得21世纪的人们正处于一个所谓信息数据大爆炸的时代。面对现阶段浩如烟海的互联网信息数据,用户会发现想要在网络上找到自己真正需要的信息不是一件容易的事情。在这样的互联网背景下,推荐系统诞生了。这种推荐系统本身就是一种推荐算法,能够有效地替代搜索算法,可以有效地帮助更多的用户找到一些自身需要或者可能比较感兴趣但无法在网上找到的信息或物品。协同过滤算法作为目前推荐算法中最常用和经典的信息过滤类型之一,受到学术界和工业界的广泛追捧,目前的实际应用也较为普遍。作为一种国际上具有重要代表性的推荐算法,协同过滤算法目前需要解决和面对的关键问题仍然还有很多,如数据扩展性、精确性、冷启动、稀疏性等一些关键问题。由于数据扩展性和稀疏性的限制,获取的数据和信息不充分,因此协同过滤推荐精度明显不足。本研究课题对国内外网络上现有的协同过滤推荐算法的应用进行了深入的分析和调研,重点是研究了如何有效提升协同过滤推荐算法中存在的推荐精度的问题,如何挖掘社交网络中用户潜在需求和特征等若干关键问题。本文的主要工作:1、协同过滤推荐算法是一种在全球各大电子商务门户网站中广泛普及和使用的推荐技术。但是,由于数据稀疏性的限制,获得的信息不够充分,因此推荐精度明显不足。通过综合分析用户的评分数据从而建立一个用户声誉系统,并通过充分利用用户声誉数据来补充用户信息,有助于提高推荐的准确性。本文在第三章提出了一种基于公平性的三支用户声誉协同推荐算法(TWDA)。首先根据用户的评分数据可以得到用户评分的公平性,基于三支决策的基本思想,将公平的评分数据定义为正域(POS),不公平的评分数据定义为负域(NEG),将不可区分的评分数据定义为边界域(BND),使用边界域参数将边界域中的评分合理地分配到正域或负域,再基于Beta分布,根据用户给予商品公平评分的概率期望值和分布进行计算获得用户的声誉,然后将用户声誉系统与矩阵分解模型结合起来。实验采用MAE作为评价指标,在Movielens-100k和Movielens-1M两个经典数据集上的结果表明,与现有的传统推荐算法相比,TWDA算法在精度上得到有效提升。2、现有的用户声誉计算方法很少能够考虑到用户宽容度对其声誉的直接影响,因此本文主要围绕基于宽容度的用户声誉协同过滤推荐算法展开研究,基于Beta分布,根据用户给予商品公平评分的概率期望值和分布计算用户声誉,提出了一种基于宽容度的三支用户声誉协同推荐算法(URBL算法)。首先根据用户的评分数据计算用户的宽容度,然后根据宽容度将用户分为三类:苛刻用户,一般用户,宽松用户。基于三支决策的基本思想,将苛刻用户集合定义为正域(POS),宽松用户集合定义为负域(NEG),一般用户集合定义为边界域(BND),对于不同区域的用户,采用不同的方法判断用户给出的评分是否公平。再基于Beta分布,根据用户给予商品公平评分的概率期望值和分布计算用户声誉,然后将用户声誉系统与矩阵分解模型结合起来。实验采用MAE作为评价指标,在Movielens-100k和Movielens-1M两个经典数据集上的结果表明,与现有的传统推荐算法相比,URBL算法在精度上得到有效提升。