大数据爆发的互联网时代,协同过滤推荐技术凭借其高效简单的信息过载处理能力而被许多系统广泛采用。然而它在用户冷启动、数据稀疏等方面却存在着明显的不足。由于社交信任数据能够有效弥补冷启动用户评分数据少的问题,因此,将社交信任数据融合到传统的协同过滤推荐技术中,是实现对冷启动用户进行精确推荐的有效手段。本文主要研究了对冷启动用户的个性化推荐技术,包括用户多维度信任度量模型和自适应的综合相似权重分配策略。本文取得的成果包括:1.针对信任度量单一性问题,本文通过分析社交信任机制的原理,提出了用户多维度信任度量模型。该模型中的用户信任由直接信任和间接信任构成,并在引入用户可被信任概率时,不仅考虑局部信任网络中信任传递的非对称性,还考虑全局信任网络中用户的声望值,从而有效提高用户信任度量的精度。本文在Epinions数据集上对该模型进行了对比实验,结果表明该模型能够有效改善对冷启动用户的整体推荐效果。2.为提高用户综合相似中权重分配精度,本文提出了自适应的综合相似权重分配策略。该策略选取对冷启动用户最为重要的评估指标进行优化:平均绝对误差,并采用人工蜂群算法确定出综合相似中权重系数的近似最优解。本文提出的策略在对综合相似中评分和信任的权重进行动态分配时,符合用户的个性化要求,从而提高了对每个冷启动用户的推荐质量,且自适应能力较好。3.采用Web页面的方式为冷启动用户展示个性化推荐结果。本文使用Django框架对上述模型和策略进行了原型系统的设计与实现。