进入大数据时代以来,个性化推荐算法受到广泛的关注,不仅解决了信息过载的问题,并且从海量数据中挖掘出很多有用的信息。另一方面,社交平台的发展,将人们紧紧地连接在一起,越来越多的平台融入了社交属性。而对于一个用户而言,对其朋友的推荐可能会更加的感兴趣和信赖,因此,用户间的社交关系对推荐算法的准确度有着举足轻重的影响,将用户社交信任和个性化推荐融合到一起来研究是很有必要,且很有意义的。为缓解传统协同过滤推荐算法中数据稀疏给推荐准确度带来的影响,将信任关系融入到电影推荐中,基于用户在电影评分数据中的信任和在社交信息中的信任,通过动态自适应的综合信任权重进行线性融合,并结合概率矩阵分解模型,提出一种综合多种信任关系的电影推荐算法(Multiple Trust-Probability Matrix Factorize,MT-PMF)。将该算法在电影数据集FilmTrust上进行验证,并与相关算法进行对比,结果表明MT-PMF评分预测的准确性在MAE和RMSE指标上均得到有效地改进。本文的主要研究内容如下:(1)根据用户在历史评分数据间的相似性,将目标用户相似度均值作为选取兴趣相似用户的阈值,利用该兴趣相似用户在二者历史共同评分项目上的评分,预测目标用户对这些项目的评分。通过判断该预测评分与实际评分的偏差,确定目标用户与兴趣相似用户之间的评分信任度。该评分信任度计算方法的优势主要在于可以深入分析评分相似用户的可靠性,提高预测评分的准确度。(2)由于用户在社交中存在的信任关系往往会影响对电影的喜好,考虑到用户间信任在传递过程中越来越弱,用户对直接朋友的信任度较高,对朋友的朋友的信任度次之,因此为降低算法复杂度,提高时间效率,并有效保留最有价值的信任用户,只考虑两级信任用户关系,计算用户间的社交信任度。该方法简单易于理解,缓解了评分数据稀疏带来的推荐准确度低的问题,并且在实际应用中算法解释性更强。(3)将上述的评分信任度和社交信任度通过动态线性融合,获取用户间的综合信任度,用户的行为受到其认为综合信任度高的用户的直接影响,将该综合信任权重作为矩阵分解的正则化项,与概率矩阵分解算法相结合,设计MT-PMF算法,并在FilmTrust数据集上进行有效性验证。该算法缓解了数据稀疏的影响,同时提升了评分预测的准确性,算法可扩展性更强。