在大数据时代,用户很难从大量的数据中找到自己需要的信息。个性化推荐算法可以为用户推荐所需的信息,从而受到广泛的关注。在推荐算法中最常用的是协同过滤推荐,由于用户评分数据少,协同过滤存在数据稀疏、冷启动等问题。在此基础上,把用户社交网络信息添加到推荐算法中能够缓解上述问题。同时,传统的推荐系统假设所有用户都具有相同的重要性,并且它们之间没有区别。然而,实际上某些用户比其他用户更重要是合理的。另一方面,随着电子商务和社交网络的发展,催生出一种新的电子商务模式即社会化商务。在社会化商务网站中,人们能对自己感兴趣的项目发表评论和看法。同时,用户间可以建立社交关系,将自己信任的用户添加到“朋友”列表中。同时,在社会化商务环境中,人们也更有可能采纳一个值得信赖的朋友的建议。用户所信任的朋友的意见会影响到该用户的购买决策。所以,在社会化商务环境中,对用户进行项目推荐时考虑用户所信任的朋友的意见。一方面,基于常见的推荐方法中没有充分考虑用户的重要性对于推荐的影响,同时,推荐的准确率有待提高,用户需要更靠谱的推荐;另一方面,平台需要发现用户潜在的消费信息,为用户提供更好的个性化的产品和服务并提高商业利润。本文提出一种基于用户重要性融合用户信任和相似关系的推荐方法STPMF,此方法,同时使用用户的评分数据和社交关系数据,通过用户的相似重要性和信任重要性融合用户间相似度和信任度来衡量用户间的推荐权重并选取邻居用户。在给用户提供推荐时,同时考虑用户自身的偏好以及邻居用户的影响对项目进行评分预测及推荐。本文的主要创新点如下:首先,在基于信任的加权平均算法的基础上提出改进,使得用户局部信任度受到用户间最短路径长度的影响,用户间传播路径越长时,用户间局部信任度越小。其次,考虑到推荐系统中用户具有不同的重要性,引入用户重要性来融合用户相似度和信任度,根据用户的相似重要性和信任重要性平衡用户推荐权重中用户间相似度和信任度的占比,提高识别邻居用户的能力。本文的主要研究内容如下:第一,选取用户的邻居用户进行推荐。首先,基于社交网络图模型以及利用信任的传递性质,对信任关系进行建模,计算用户间局部信任度以及用户的全局信任度,并将它们融合来计算用户信任度。其次,使用用户项目评分数据,得出用户之间的相似度。然后,设置推荐权重,其中,用户之间的相似度和信任度是通过用户的相似重要性和用户的信任重要性来融合的。最后,选取邻居用户,在推荐权重矩阵中选择值最大的用户集。第二,将用户自身偏好以及邻居偏好的影响融入概率矩阵因子分解框架,并用梯度下降法更新未知的用户和项目的特征向量,进一步求得算法的最优参数以及最优结果。最后,在真实数据集上将本文提出的算法的结果与经典算法进行比较,得出结论本文提出的基于用户重要性融合用户信任度和相似度的推荐方法能有效识别邻居用户,提高推荐的准确。