推荐系统是信息过滤领域一项重要的技术。随着电子商务的发展,网络中新增的用户和项目越来越多。面对如此庞大的项目群,用户往往只对很少一部分项目进行评分,更多的项目通常是没有评分的,所以评分数据的稀疏问题变得日益严重。在评分稀疏的情况下,推荐算法的推荐精度是比较低的。随着社交网络的兴起,人们发现在推荐系统中并入信任信息可以提高推荐算法的推荐精度,而且基于社交网络的推荐也更符合现实情况。但社交网络中的信任信息同样面临着稀疏问题。本文就是针对如何缓解数据稀疏性,提高算法的推荐精度展开研究的。首先,针对评分稀疏情况下推荐算法预测精度较低的问题,提出一种融合加权信任的概率矩阵分解算法。采用一种改进的Jaccard相似性计算方法计算信任用户之间的相似值,将其作为权重因子给原始的信任评分加权,从而得到一个加权信任;构造融合了加权信任的基准偏移、用户特征矩阵上的和用户项目评分上的条件分布;构造扩展的概率矩阵分解模型;通过调整因子控制信任信息在推荐过程中的比重。其次,针对社交网络中信任数据稀疏的问题,提出一种融合相似性和填充信任矩阵的协同推荐算法。首先,基于原始的信任矩阵计算信任用户的相似用户集,接着度量信任用户之间的信任程度,依照信任传递的原理预测新的信任评分,用新的信任评分填充原始的信任矩阵;采用改进的Jaccard方法得到目标用户的邻居集合;最后,基于目标用户的信任用户和邻居用户共同为目标用户做推荐。最后,根据模型设计推荐算法。在Epinions数据集上做实验,将本文提出的推荐算法与其他相关算法进行分析比对。