摘要：协同过滤算法的基本思想是利用兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息.目前大部分算法对于相似用户的分析都是基于用户的显式偏好,没有对用户的隐含偏好进行分析与利用.用户的偏好不仅仅体现在对产品种类的喜好上,对于产品各个属性的喜好程度、评分偏好和由偏好相似而建立的信任关系等,都反映了用户在交互时所隐含的偏好.本文提出了一种融合用户隐含偏好的社会化推荐算法:通过对评分矩阵进行分解得到用户和产品的潜在特征向量,利用用户的潜在特征向量进行用户隐含属性偏好相似度的计算;为了缓解推荐系统中常见的冷启动问题,本文引入了信任关系,并将其与评分信息相联系,量化出带有用户偏好的信任关系并将其融入到算法模型之中;最后,使用动态的权重计算用户间的推荐权重.该算法在FilmTrust和Epinions数据集上进行了测试和对比,结果证实了该算法能够更加有效地预测用户评分,提高推荐精度.