1.一种基于显性和隐性信任的协同过滤推荐方法，其特征在于，包括：步骤1，根据用户物品评分矩阵R，计算用户u对用户v的进行预测评分时的准确性；

步骤2，计算用户u对用户v的依赖程度；

步骤3，根据所述准确性和所述依赖程度，计算用户u对用户v的隐性信任度；

步骤4，根据所述隐性信任度对用户物品评分矩阵R进行填充，得到填充处理后的用户物品评分矩阵；

步骤5，计算用户u对物品的评分置信度；

步骤6，根据所述评分置信度和填充处理后的用户物品评分矩阵，计算用户u与用户v之间的相似性；

步骤7，计算用户u的全局信任度，并计算用户u对用户v的局部信任度；

步骤8，根据所述全局信任度和所述局部信任度，计算用户u对用户v的最终信任度；

步骤9，根据所述相似性和所述最终信任度，修正用户u的潜在用户特征矩阵；

步骤10，根据所述潜在用户特征矩阵，预测用户u对物品i的评分。

2.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述步骤1包括：通过公式 计算用户u对用户v进行预测评分时的准确性；

其中，Accuracy(u，v)表示用户u对用户v进行预测评分时的准确性，Iu用户u评过分的物品集合，Iv用户v评过分的物品集合，Iuv＝Iu∩Iv，Iuv表示用户u与用户v共同评分的物品集合，ru，i表示用户物品评分矩阵R中用户u对物品i的真实评分，rmax表示用户物品评分矩阵R中用户u对物品i的评分最大值，pu,i表示基于单一用户的评分信息计算出来的用户u对物品i的预测评分， 表示在用户物品评分矩阵R中用户u评论过的物品的平均评分，表示在用户物品评分矩阵R中用户v评论过的物品的平均评分。

3.根据权利要求2所述的协同过滤推荐方法，其特征在于，所述步骤2包括：通过公式 计算用户u对用户v的依赖程度；

其中，Dependability(u，v)表示用户u对用户v的依赖程度，Iu表示用户u已评分的物品集合，Iv表示用户v已评分的物品集合。

4.根据权利要求3所述的协同过滤推荐方法，其特征在于，所述步骤3包括：通过公式trim(u,v)＝Dependability(u,v)×Accuracy(u,v)，计算用户u对用户v的隐性信任度；其中，trim(u，v)表示用户u对用户v的隐性信任度。

5.根据权利要求4所述的协同过滤推荐方法，其特征在于，所述步骤4包括：定义隐性信任邻居集合TNim，给定用户u，若 使trim(u,v)>0，则称用户v为用户u的隐性信任邻居，用户u的隐性信任邻居集合为 其中，u∈U，U表示用户集合；

定义候选评分物品集合 给用户u，若 且 使rv,i∈R成立，则称物品i为用户u的候选评分物品，用户u的候选评分物品集合为 且i∈I-Iu；其中，I表示物品集合，rv,i表示用户v对物品i的评分；

通过公式 计算用户u对候选评分物品 的预测评分

6.根据权利要求5所述的协同过滤推荐方法，其特征在于，所述步骤5包括：通过公式 计算用户u对物品的评分置信度；

其中， C'u,i表示用户u对候选评分物品i的评分置信度，fs(Su,i)表示正向算子函数， Su，i表示正向算子，表示正向算子的平均值， 表示

中评价过候选评分物品 的用户集合，fv(Vu,i)表示负向算子函数，rmax，rmin分别表示评分矩阵R中的最大评分和最小评分，Vu，i表示负向算子， 表示负向算子的平均

值， 表示用户u的平均评分，表示用户u的平均评分。

7.根据权利要求6所述的协同过滤推荐方法，其特征在于，所述步骤6包括：通过公式Su,v＝β×sim(u,v)'，计算用户u与用户v之间的相似性；

其中， 公式中的Cv，i

表示用户v对物品i的评分置信度，I′uv＝I′u∩I′v表示经填充处理后的用户物品评分矩阵中用户u和用户v共同评分的物品集合，其中β是相似度中的权重系数，n为用户共同评分物品数量，m为系统定义的共同评分数量阈值。

8.根据权利要求7所述的协同过滤推荐方法，其特征在于，所述步骤7包括：通过公式 计算用户u的全局信任度；其中，Tgl表示用户u的全局信任度，ind(u)表示用户u在信任网络中的入度，max(ind(w))为信任网络中所有节点的最大信任入度，min(ind(w))为信任网络中所有节点的最小信任入度；

通过公式 计算用户u对用户v的局部信任度；其中，Tlo表示用户u对用户v的局部信任度，d表示从用户u通过深度优先搜索到达用户v的最短长度，d≤3，其中，N(u)表示用户u的邻居集合，Tuk表示信任矩阵中的用户u对用户k的信任值，TukTkv表示信任矩阵中用户k对用户v的信任值，在信任矩阵中用户u信任用户k，则Tuk＝1，反之则Tuk＝0。

9.根据权利要求8所述的协同过滤推荐方法，其特征在于，所述步骤8包括：通过公式Tuv＝(1-α)Tgl+αTlo，计算用户u对用户v的最终信任度；

其中，Tuv表示用户u对用户v的最终信任度，α为局部信任所占的比重，α的取值范围为[0,1]。

10.根据权利要求9所述的协同过滤推荐方法，其特征在于，所述步骤9包括：通过公式 修正用户u的潜在用户特征矩阵；

其中，Bu和Nu分别为用户u的相似邻居集和信任邻居集，wT和wS表示用户u的行为倾向权重，wT表示用户u通过信任用户来获取推荐的倾向， wS表示用户u通过评分行为获得推荐的倾向， Suk表示用户u与用户k的相似度，Tuv表示用户u与用户v的最终信任度。