推荐系统能为用户提供准确、新颖的推荐，并有效提升用户所贡献的收益，目前已被广泛应用于商品推荐、影视推荐、短视频推荐、新闻推送等诸多行业。协同过滤是目前推荐系统中广泛采用的推荐算法，利用用户的历史浏览行为预测当前用户可能感兴趣的东西。但是，协同过滤面临着冷启动和评价数据稀疏等问题，这些问题极大地降低了推荐系统的性能。为解决这些问题，信任关系被引入到了推荐算法中。然而，信任证据本身往往也面临着数据稀疏的问题，这也影响了它在推荐系统中所发挥的作用。
　　本文提出了稀疏信任推荐的概念，并进一步完善了信任和稀疏信任的概念。此外，本文认为传统的信任二值表示法不适合于信任的挖掘，然后提出了新的信任表示方法。在此基础上，为降低信任的稀疏性并提升推荐系统的准确性，本文提出了一种基于半监督学习的稀疏信任推荐模型。具体地说，本文将影响信任建立的两个主要来源(用户偏好和用户行为)分解为更为细粒度的四个因子，即相似性、一致性、可靠性、客观性。然后本文改进了直推式支持向量机算法(TSVM)使其更符合稀疏信任的挖掘，并且采用它将分解得到的信任影响因子组合，来进一步挖掘用户之间隐含的稀疏信任关系。此后，本文在奇异值分解模型(SVD++)的基础之上加入了社会信任对用户造成的影响和稀疏信任对用户造成的影响，并且平衡了二者所造成的影响以进一步提升推荐模型的准确性。最后，本文对模型的复杂度进行了分析，分析表明稀疏信任推荐模型具有现实应用价值。
　　本文的实验设计分为两个部分，分别用于验证稀疏信任推荐模型在稀疏信任挖掘和用户推荐的效果。针对模型的稀疏信任挖掘效果，本文选取了三种不同的信任挖掘模型，在相同的四个真实数据集上进行了对比实验。针对模型的用户推荐效果，本文选取了六种不同类型的推荐模型在相同的四个真实数据集上进行了对比。实验结果表明，相较于其他模型，稀疏信任推荐模型将信任数据的稠密度最高提升了65%，推荐的准确率最高提升了3.3%。