推荐算法已经成为许多电子商务网站必不可少的组成部分.基于用户历史评价数据的协同过滤推荐算法通常面临着数据稀疏的问题,即用户评分过于稀疏导致推荐质量下降.为了解决这一问题,结合辅助数据成为一种必然的趋势.因此,随着社交媒体的发展,基于信任关系的社会化推荐算法被证明为一种有效的解决方法.这些算法利用社交网络信息对用户偏好进行建模,并进行推荐.然而,目前大部分算法直接利用社交网络的二值信任关系来提高推荐质量,从而没有考虑用户对每个好友信任强度的差异.为了解决这一问题,该文提出了一种新的基于信任关系隐含相似度的度量方法,并与协同推荐算法相结合,获得更高的推荐质量.与之前的方法不同,在考虑评分相似度的基础上,该文专注于研究利用社交信息来估计信任强度并提出了信任关系隐含相似度.首先,该文考虑了用户间的间接影响,即通过分解社交矩阵得到隐含间接影响的用户社交偏好,并基于此得到了信任关系隐含相似度;其次,鉴于用户在作为信任者和被信任者时的偏好并不相同,该文提出的信任关系隐含相似度分别考虑了这两种情况;进一步,考虑到评分和社交数据都非常稀疏,文章同时考虑了评分相似和信任相似对每组用户间信任强度的影响,得到一个更加精确的社会化推荐模型;最后,不同于直接计算信任强度的算法,该文基于评分和社交数据,提出了一种自适应相似度计算的模型.该文在Epinions和Ciao数据集上进行了丰富的实验,并与多种前沿的算法进行了性能对比.文中同时采用基于误差的指标(MAE和RMSE)和排序类指标(精度、召回率和NDCG)对算法性能的性能进行度量,结果表明该文算法对于评分预测和Top-N项目推荐任务都能得到鲁棒的表现.文中还展示了对于评分和信任数据稀疏用户的性能表现,结果仍优于以往的算法.概括来说,文中算法充分挖掘了用户在评分和社交数据中的隐含信息,从而有效提高了社会化推荐算法的精度.