推荐系统能够有效地过滤用户需求,减轻用户认知负担,为用户提供个性化的信息和服务。协同过滤推荐系统是目前推荐系统中应用最普遍、最受欢迎的一种推荐系统。本文研究的Slope One算法是一种简便、容易执行的基于项目的协同过滤算法。作为一种有效的协同过滤算法,Slope One算法被广泛地应用到一些推荐系统中。但该算法在预测评分时仅根据项目之间的评分差值以及用户的历史评分信息,未能考虑用户之间的潜在联系,而且数据稀疏性和冷启动问题也会限制算法的推荐性能。针对以上问题,本文主要研究工作如下:（1）引入均衡接近度灰关联方法。针对Slope One算法在评分预测时没有考虑用户之间的潜在关系,而以往的改善方法通常采用传统的相似度计算方法来度量用户相似性。但是在推荐系统的实际使用过程中,由于用户的历史交互项非常少导致数据集的稀疏性较大,传统的相似度方法容易受到个别异常点的影响,导致数据丢失和信息失真,在稀疏数据下推荐质量不高。本文提出引入均衡接近度灰关联方法来度量用户关系。通过计算用户之间的均衡接近度,度量用户整体的无差异性,不仅可以减弱局部点关联倾向,还能够充分利用点关联系数提供的丰富信息来考虑用户偏好问题,有效挖掘用户之间的潜在联系。实验结果证明,利用均衡接近度灰关联方法度量用户关联度,可以有效降低贫信息系统中稀疏性对算法的影响,提高算法推荐准确度。（2）引入用户信任模型。在推荐系统中,用户之间的推荐逐渐转变为从信任度较高的用户那里征询建议,信任成为推荐系统的关键影响要素。而且由于大量用户不断加入到系统中,用户的历史评分数据信息有限,导致了冷启动问题。因此,本文引入信任这一概念来有效缓解冷启动问题对Slope One算法的影响,提高算法推荐性能。通过整合用户相似度、用户评级准则以及信任的不对称性来计算直接信任;利用第三方将无法直接度量信任的用户联系起来,同时考虑到信任的传播特性和节点用户的声望得到间接信任。在之前改进的基础上,分别将均衡接近度和信任度作为权重因子加权到预测评分过程中,对不同用户提供差异化推荐服务。实验证明,引入综合信任度可以有效地提高算法预测准确度、缓解算法的冷启动问题。