随着网络资源的增多,信息的价值密度越来越低。个性化推荐算法能主动为用户推荐可能感兴趣的信息,改变了人们在海量信息前无所适从的局面。协同过滤推荐算法是目前研究最多的一种个性化推荐算法,因评分数据稀疏、冷启动、可扩展性不高等问题,该算法的推荐精度一直得不到很大提高。引入专家信任可以很好地降低冷启动及数据稀疏的影响,结合聚类算法能避免可扩展性不高的问题。本文从提高引入专家信任的协同过滤推荐算法推荐精度出发,主要做了以下两点工作。（1）在评分预测公式中引入异社区簇专家信任,提出一种基于异社区簇专家信任的协同过滤推荐算法。考虑到在评分预测时已有引入专家信任的协同过滤推荐算法只考虑了同社区簇内专家信任以及相似用户相似度的影响,忽略了异社区簇专家信任的影响,使得推荐精度不够高。在改进算法中,首先,计算综合了平均评分因子、流行度以及互补的Jaccard与Pearson相关系数后的综合相似度,按综合相似度值把用户聚类到各社区簇中,将与目标用户所在社区簇相似度最高的社区簇定义为异社区簇。接着,计算各社区簇内所有用户的信任度,将信任度高的一部分用户定义为社区簇内的专家。最后,使用综合了同社区簇专家信任、同社区簇相似用户相似度以及异社区簇专家信任的评分预测公式进行评分预测并推荐。实验证明,改进算法提高了推荐精度。（2）在相似度计算公式中引入用户特征相似度及隐偏好相似度,提出一种基于相似度改进的专家信任协同过滤推荐算法。已有的引入专家信任的协同过滤推荐算法在相似度计算时未全面考虑用户特征及共同评分中隐含的用户偏好,使得推荐精度不够高。在改进算法中,首先,计算综合了用户特征相似度、隐偏好相似度以及互补的Jaccard与Pearson相关系数后的综合相似度,按综合相似度值把用户聚类到各社区簇中。接着,计算各社区簇内所有用户的信任度,将信任度高的一部分用户定义为社区簇内的专家。最后,使用综合了同社区簇专家信任及同社区簇相似用户相似度的评分预测公式进行评分预测并推荐。实验证明,改进算法不仅提高了推荐精度,还提高了覆盖率。