推荐系统是一种信息过滤系统,它可以通过分析用户的行为数据来揭示用户的偏好进而按照用户的偏好推荐相关信息。推荐系统的核心是推荐算法。协同过滤算法是最成熟且应用最为广泛的推荐算法之一。但是协同过滤算法存在着数据稀疏性和冷启动等问题,导致该算法可能给出偏差较大的推荐。为解决这种问题,Da Costa等^[1]将协同训练与推荐算法结合,提出了集成协同训练推荐算法（Ensemble Co-training Recommendation Algorithm,ECo Rec）,相关文献2019年发表于《Expert Systems with Applications》。实验和分析表明ECo Rec算法存在以下两个问题:一是在协同训练中采用的一些重要参数是有先验知识来确定的,受人为因素影响较大;二是所使用的置信度也不能很好地降低噪声影响。针对ECo Rec算法的先验参数问题,本文提出了ECo Rec的一个改进算法——I-ECo Rec算法。此算法将机器学习与ECo Rec相结合,利用机器学习确定ECo Rec算法中的先验参数,保证找出较优的参数。针对ECo Rec算法的噪声敏感问题,本文提出了ECo Rec的一个优化算法——O-ECo Rec算法,此算法使用近邻置信度计算方法降低算法在协同训练时的噪声敏感度。在公开数据集和真实数据集上的实验表明,改进和优化的ECo Rec算法在预测准确度和推荐准确度上比原算法有所提高,综合使用改进和优化可以获得更高的提升。