单类协同过滤(OCCF)是仅应用隐性反馈进行推荐的协同过滤算法。虽然传统的协同过滤算法在评分等显性反馈的推荐问题上有着突出表现,但在单类问题中仍然面临着可解释性差、对噪声敏感、可扩展性不强等问题。针对以上问题,提出了一种新的基于置信度加权的单类协同过滤推荐算法。在模型的构建阶段,从用户的行为置信度出发提出了一种置信度函数,将用户在行为频度域的选择倾向映射为置信概率,并且该函数可以作为独立单元考察用户行为的可信程度;将置信度函数嵌入到隐性反馈推荐模型(IFRM)中,形成了一种基于置信度加权的单类协同过滤推荐算法——隐性反馈置信度加权推荐模型(CWIFRM)。在模型的优化阶段,基于随机梯度下降(SGD)提出了一种在不同方向差别优化的异构置信度优化算法。为了验证算法的有效性,CWIFRM与多个算法一同在三个不同性质的数据集进行实验,并在测试阶段应用每个算法面向Top N推荐进行流式数据模拟推荐。实验显示,在推荐准确度上CWIFRM能够显著提高推荐质量,并且应用异构置信度优化算法能够进一步提升推荐效果。结果表明,置信度函数的提出有助于提高推荐质量,并为推荐提供了良好的可解释性;异构置信度优化算法的提出进一步增强了该模型的可解释性和适用范围;该模型产生的推荐较为稳定,可以在一定程度上削弱噪声的影响;模型线性加权的形式与宽泛的参数自定义形式,保证了推荐算法具有较强的可扩展性。