随着互联网+、大数据等信息现代化的到来,信息数据超载(Data Overload,DO)现象已成为亟待解决的问题。推荐技术(Recommended Technology,RT)是目前有效缓解此类现象的方法之一,它能从海量数据中过滤掉非目标数据,从潜在的信息中挖掘(Data Mining,DM)有用的价值。推荐技术的主要研究内容有获取用户记录、矩阵分解、相似度计算、预测评分等。其中,相似度计算作为推荐技术中的关键部分:它通过比较用户或物品的相似程度,将相似度高的推荐列表推送给目标用户,影响着推荐结果。同时,在社交网络的盛行下,信任关系也逐渐融入到推荐领域,故此,考虑用户偏好及信任,为提高推荐准确性提供了新的方向。本文以相似度计算为基础,设计一种考虑用户多源信息的双重相似度模型,并提出能有效提升推荐准确度的推荐方法。本文的主要工作如下:(1)分析现有相似度算法特点、原理及适用场景,改进相似度算法:在修正的余弦算法基础上引入拟定义的非实际评分,加入正偏量,调节评分值,并对整体算法进行适当压缩;设计第一类筛选协议,筛选掉由改进相似度算法运算出的相似值较低用户。(2)结合用户偏好与信任,提出一种新的双重相似度模型:由改进的相似度算法计算偏好相似度模型,与信任相似度模型进行线性加权融合,考虑到数据是多维类别及计算后可能存在重叠用户,设计第二类筛选协议,以适应类别数据,排除重叠用户。(3)设计用户信任与偏好的双重相似度推荐方法:在预处理阶段,利用拉格朗日插值法结合信任用户,对评分矩阵进行预填充;在相似度计算上,搭建信任及偏好的双重相似度模型;在评分预测上,对传统的近邻评分模型进行改进。综合以上实现新的推荐方法。通过实验表明,新方法在推荐准确度及稳定性方面有着良好的表现。