随着互联网的发展,信息井喷式的增长以及网络的迅速普及,搜索引擎和个性化推荐系统成为人们获取信息最流行的两个工具。然而当部分信息难以简单描述或用户难以精确描述自己的需求信息时,搜索引擎的作用显得很无力,这时人们对个性化推荐系统的需求更加明显。协同推荐相比其他推荐系统有着很大的优势,然而也存在着一些问题阻碍着系统的精确性和个性化,譬如稀疏性问题,冷启动问题,可拓展性问题等。本文针对稀疏性和个性化推荐的准确度问题提出了一种基于用户信任度的协同推荐系统,主要研究内容如下:(1)概述个性化推荐的背景、意义以及研究进展;分析常用的个性化推荐系统的推荐过程及各自的优缺点;最后指出当前的推荐技术的挑战及研究热点,为进一步研究提供理论依据。(2)针对传统协同过滤算法当中的用户相似度算法只考虑了用户评分一个维度来衡量用户相似度的问题,本文引入用户信任度,通过计算用户直接信任度和间接信任度获得用户的综合信任度,再将综合信任度与传统用户相似度的计算方法融合,最后提出一种改进的相似度算法,对基于传统的相似度最近邻居预测评分进行修正,得到目标用户更准确的最近邻居。(3)为了缓解协同过滤推荐系统冷启动,稀疏性问题,本文引入用户特征信息如年龄,性别等,构建用户特征信息矩阵。针对传统K-means算法聚类结果受初始中心点的影响较大的问题,提出最大距离法改进K-means算法。接着对用户特征信息属性进行加权,通过改进的聚类算法对加权的用户特征信息进行聚类,在离线阶段可以初始化出相似度较高的聚类用户,同时降低了系统在线推荐时的负荷,提高了系统的可拓展性。(4)将本文方法在MovieLens数据集上进行多次对比试验,与基于传统的K-means用户聚类的协同过滤算法进行比较,采用召回率,准确率以及平均绝对误差等指标进行评估,实验结果表明本文提出的改进算法的推荐效果更优。