推荐系统作为信息时代的产物,能有效解决大数据背景下的信息爆炸问题,并将筛选后的有效信息快速、准确的提供给用户,为企业带来利益的同时,为用户提供个性化定制服务,从而得到了社会的广泛关注,并得以迅速发展。推荐系统将收集到的广袤信息进行整理汇总,为用户和物品间建立连接,进而预测未来可能的连接以及连接强度,通过推荐算法的设计与实现,完成符合用户兴趣和需求的合理推荐。随着推荐系统的广泛应用,用于推荐的算法层出不穷却各有利弊,其中协同过滤算法作为经典算法使用最为广泛,但不适用于稀疏矩阵,当新用户或新物品出现时,无法完成推荐,矩阵分解算法利用用户物品信息矩阵直接预测,但解释性不强,推荐效果略差,将算法进行特殊情况下的混合能够实现算法间配合从而提高推荐质量。为了获得更高质量、更具扩展性的推荐结果,本文以协同过滤算法为基础,考察用户的邻居选择、考虑随时间信息发生的用户兴趣漂移等因素,重新定义协同过滤算法中邻居选择标准和邻居影响机制,构建用户兴趣动态信任衰减模型,并使用矩阵分解算法构建动态信任关系协同过滤的混合推荐算法。本文的主要工作如下:（1）提出了一种基于信息匹配度的混合推荐算法（UIBCF-MF）,根据某一用户和物品的近邻推荐与已有信息的匹配度动态调整各算法权重,构建混合推荐算法,其与单个传统算法相比,不仅能发挥各算法优势,准确性、可扩展性也有所改善。（2）提出了一种基于动态信任衰减（DTA-CF）的协同过滤算法,在传统协同过滤推荐算法的基础上,通过考察公共评分数和时间因子来调整邻居选择机制,引入信任衰减的概念来重新定义邻居影响。真实的Movie Lens电影数据集上的实验表明,该算法合理有效,很大程度的提高了推荐的合理性和可解释性,减少了推荐误差。（3）提出一种新的主观评分规范化方法计算预测评分,采用UIBCF-MF算法思想将改进后的基于用户和基于物品的DTA-CF算法与矩阵分解算法进行混合推荐,在改进算法的基础上,充分利用各算法优势进行预测推荐,完成后的DTAIMCF算法可扩展性、准确度均得到了很大提高,算法推荐更加合理、有效。