随着互联网的高速发展,信息呈现爆炸性增长,出现了“信息过载”现象,这一现象加剧了用户信息选择的困难。在这一背景下,推荐模型应运而生。协同过滤推荐策略在个性化推荐服务上被广泛地应用,是目前最成功的推荐技术之一,但其受到了评分数据稀疏以及用户冷启动问题的限制,影响了系统对用户推荐的性能。为了解决这样的问题,本文通过把用户间的信任关系与协同过滤算法进行融合以提升相似性计算的可靠性。具体来说,从用户信任网络的结构出发,本文结合有向网络的特点提出了六种不同的基于结构相似的链路预测方式,构造了用户信任网络模型。通过对链路预测后信任网络的全局拓扑结构的分析,我们提出了以信任因子的方式衡量用户信任权重,并与从用户评分模式中建立的评分因子进行融合,得到用户的综合影响力,以作为评分预测任务中的权重,形成了基于用户综合影响力的协同过滤算法。实验表明,该算法不仅在时间复杂度,而且在性能表现上均优于一种近期发表的对比算法^[1],实现了评分预测精度的提升。针对以上基于网络结构对用户信任关系预测的局限,我们将信任网络建模的过程转化为机器学习中回归问题以及分类问题进行处理。为了建立回归过程,我们采取隐语义分解的方式,将用户直接信任矩阵转化为信任矩阵与被信任矩阵的乘积,由此建立了以均方误差为目标的最优化问题;然后通过使用交替最小二乘法求解出模型的参数,实现对用户间信任程度的预测。最后,将得到的信任网络模型与协同过滤算法进行融合,形成了基于信任用户隐语义回归模型的协同过滤算法。经实验对比,我们的改进算法在推荐效果上有了进一步地提升。与此同时,为了建立分类过程,我们采用嵌入的向量化技术,对输入的信任用户以及被信任用户的关系进行各自特征化,利用拼接形成的特征向量作为逻辑回归模型的输入,由此建立了以对数似然函数为目标的最优化问题;然后通过采用随机梯度下降的方法联合求出回归系数以及嵌入矩阵,实现对用户间未知信任关系的预测。我们将新得到的信任网络模型与协同过滤算法进行融合,形成了基于信任用户隐语义分类模型的协同过滤算法。在算法的性能评估方面,相比于对比算法,该算法在MAE指标上提升了3.62%,在RMSE指标上提升了4.20%,显著提高了推荐系统的性能。综上,本文的研究成果充分展现了推荐算法融合信任关系的技术优势以及改进算法的有效性。