随着网络平台的发展,推荐系统作为用户与产品沟通的桥梁得到了广泛的关注。协同过滤推荐模型在商业推荐中十分流行,主要通过分析用户与产品的交互数据,建立推荐模型来预测用户对产品的喜好。在大多数平台中,由于可供选择的产品种类繁多但是消费者的购买能力有限,用户对于产品的购买或者评价数据仅占产品数量的一小部分,导致用户与产品的交互数据十分稀疏。为了能够提升推荐质量,许多学者从各个方面解决稀疏数据带来的问题。针对稀疏数据问题,本文提出了一种基于用户评分可信度的矩阵分解模型来缓解稀疏数据问题。矩阵分解模型将用户与项目评分矩阵分解成用户和项目两个矩阵,通过对模型的训练学习预测用户对项目的评分。本文在传统的矩阵分解预测公式中加入了全局偏置,也就是用户的评分均值,可以改善个别奇异评分值对预测结果的影响,还在用户隐式向量部分加入了用户对于其他项目的隐式评分,增加了用户评分利用率,提高了用户评分可信度。实验证明,该模型具有更高的预测评分精度。本文又提出一种改进用户相似度的协同过滤推荐模型。该模型从用户与项目的交互数据出发,对于用户与用户间的共同评分项目信息,计算用户之间的局部相似度,相似度计算过程采用非线性模型,并加入奇点因子对权重进行调节;对于全体评分数据,计算全局相似度,加入了用户的评分习惯,将两种相似度进行融合,得到推荐模型。该模型能够有效利用稀疏数据,通过实验证明,该模型具有更好的预测精度。通过实验对比可以发现,两种模型都有相应的优势,融合局部和全局相似度的协同过滤推荐模型利用全部评分数据,能够提供更加准确细致个性化推荐,具有良好的预测评分准确度和推荐精度,但是模型由于计算过程复杂,时间精度差。基于用户评分可信度的矩阵分解模型,加入了用户评分的隐式信息以及全局偏置,改善了用户评分不均匀的问题,计算效率高,具有良好的预测精度。针对不同需求,可以对两种模型进行选择。