动画产业于近年展现出成长中的开阔市场和爆发式的蓬勃态势,大数据时代下的个性化推荐研究也广受关注,其中以协同过滤最为常用且有效。本文致力于探索动画推荐应用场景下的评分预测问题,基于动画受众的信任关系,融合聚类和协同过滤技术,以期提升协同过滤算法在动画评分预测问题上的准确性,并改善其固有的稀疏性缺陷。本文根据动画受众特性,定义用户间群体-个体信任关系,并对动画进行预聚类,以提取用户在各类动画上的兴趣特征。在混合特征数据聚类中,提出采用Gower距离度量数值和类别型特征,词频矩阵结合Jaccard距离度量多标签特征,并以各特征的标准差倒数作为权重系数弱化特征类型区别、平均其聚类贡献,得到整体距离,得到了解释性和实际意义较为显著的聚类结果。本文提出改进的基于聚类和群体个体信任关系的用户协同过滤方法（K-GI-TUBCF）,通过群体信任在群间的过滤作用和个体信任在群内的修正作用,实现小范围搜索邻居和改进用户相似度计算。在MyAnimeList.net获取的真实的用户、动画和评分数据集上应用K-GI-TUBCF方法,实验结果表明,K-GI-TUBCF在动画评分预测问题上具有比现有相关方法更好的表现。本文从处在动画产业链中游的媒介平台角度,结合个性化推荐的主流热点技术,构建了适用于动画领域的预测推荐方法,从而为实际业务发展贡献一定的商业价值。