个性化推荐算法是解决社交网络中信息过载问题的一种有效方法，已成为社交网络中的研究热点。协作过滤算法是被广泛应用的个性化推荐算法，但由于未考虑社交网络的一些重要社交信息及数据稀疏问题，故其在解决社交网络的推荐问题时推荐效果不佳。为此，提出一个基于用户信任度和社会相似度的协作过滤算法。首先根据用户-项目矩阵计算用户相似度，然后通过社交网络计算用户信任度和社会相似度并将三者融合，最后根据融合后的值形成最近邻集，并据此产生推荐结果。经实验分析，文中提出的算法较其他算法在解决社交网络的推荐问题时有更高的推

协作过滤（CF）是推荐系统中最成功的算法之一。 但是，它遭受数据稀疏性和可伸缩性问题的困扰。 尽管已加入许多聚类技术来缓解这两个问题，但是其中大多数未能在推荐准确性上实现进一步的显着提高。 首先，它们中的大多数都假设每个用户或项目都属于一个集群。 由于通常用户可以拥有多个兴趣并且项目可能属于多个类别，因此更合理地假设用户和项目可以加入多个集群（组），其中每个集群都是志趣相投的用户和他们喜欢的项目的子集。 此外，大多数基于聚类的CF模型仅在聚类过程中使用历史评级信息，而忽略了推荐系统中的其他数据资

融合基于用户，基于项目和社交网络的协作过滤算法

融合基于用户，基于项目和社交网络的协作过滤算法