随着互联网的发展,网络商品各色各样,种类越来越繁多,在网络购物多重不安定因素下,人们在网络有效购物也越来越困难,购物效率也会随之下降,制约我国电子商务的发展。随着网上信息数量和商品种类的急速增长对推荐系统提出了严峻的挑战,基于用户的协同过滤推荐中的用户兴趣的定位问题和购买产品的风险评估问题急待解决。本文对传统的基于用户的协同过滤算法改进,形成一套基于用户兴趣的可信购物推荐服务系统。该方法通过对用户兴趣元数据进行分析形成用户兴趣分类,产生不同兴趣类的数据集,通过对不同类的数据集分别进行协同过滤算法训练,产生各个兴趣类对应的最优模型,进而对目标用户未评分的项目进行预测,最后对预测推荐的项目采用信用风险评判并过滤掉高风险项目,实现推荐的项目是可信的。本文的主要工作有以下几个方面:1)设计了基于用户兴趣的可信购物推荐服务系统架构,主要由数据预处理子系统、推荐子系统、交互控制系统、存储子系统、数据后处理子系统、确认子系统组成。2)设计了用户兴趣树,用于从空间和时间维度上描述用户兴趣;实现了兴趣树的构造和更新算法。3)对当前协同过滤算法进行适当改进,设计并实现了推荐子系统,提高了推荐商品的质量和效率;根据推荐系统的输入和输出要素设计并实现了支撑用户人机交互的交互控制子系统。4)设计并实现了基于兴趣树的推荐模型训练方法,可基于用户兴趣树对用户商品聚类,并通过协同过滤训练算法训练模型。5)综合评估用户商品购买风险,设计并实现了风险过滤方法。6)设计了推荐系统测试方案,并对系统进行了验证。测试数据来源为网上正常交易商品的数据;测试结果显示,本系统性能和推荐质量相比较传统推荐系统有所提升,并能过滤其中的风险欺诈信息。