随着互联网技术的快速发展,从海量数据中找到真正对用户有用的信息变得越来越困难,即用户面临严重的信息过载问题。推荐算法能够分析用户历史数据,解析出用户的隐藏偏好,为用户提供符合他们需求的信息,被证明是解决信息过载的有效手段,近年来受到研究者的广泛关注,并取得了大量研究成果。但是,推荐算法仍然存在一些问题,比如推荐准确性与多样性难以并存问题,数据稀疏与冷启动问题以及恶意用户问题,本文针对这些问题,进行如下的研究工作:(1)提出基于辅助信息的矩阵分解协同过滤推荐模型CI-MDCF。该模型在传统的矩阵分解协同过滤模型基础上,增加用户辅助信息与物品辅助信息,以提高传统推荐模型的推荐性能。(2)提出基于物品相似度与用户信任度的矩阵分解协同过滤推荐算法。该算法在CI-MDCF模型基础上对辅助信息进行具体化,物品端辅助信息使用物品属性相似性信息,提出物品相似度指标COS进行量化,用户端辅助信息使用用户信任关系信息,提出信任度指标CUT进行量化,借助COS与CUT对模型进行实现,解决推荐过程中准确性与多样性难以并存的问题。(3)提出信任更新算法。在基于物品相似度与用户信任度的矩阵分解协同过滤推荐算法中,针对恶意用户问题增加信任更新算法,设置信任因子对正向行为与负向行为进行界定,设置奖惩函数对不同行为进行用户信任度的更新,解决推荐过程中恶意用户与恶意评价对于推荐结果的影响。本文在真实数据集上进行对比实验对本文算法与其他推荐算法进行推荐性能的测评。实验结果表明,本文提出的算法可以更加平衡推荐准确性与多样性问题,也能有效缓解数据稀疏与冷启动问题,在避免恶意用户对推荐的影响方面也有显著效果。