1.基于多元线性回归及第三方信用的改进协同过滤方法，其特征在于：首先构建基于第三方个人的加权信用模型，其次收集用户对某个项目产生行为的信用值矩阵。通过喜爱向量进行量化得到线性回归方程，对选取与目标用户最相似的N个用户作为目标用户的邻居。最后利用推荐公式实现对用户产生推荐。

(1)加权信用模型计算描述为：

T

其中，Creditac(m,n)表示信用值矩阵的转置,ωa,ωb,ωc分别代表不同等级的信任机构的信任权重。

(2)信用值矩阵计算描述为：

其中，a为某一常数，c代表某一评判等级含有的第三方个人的数量，m代表行，q代表n个用户，max代表当前评判等级中最认可的第三方信任，min代表当前评判等级中认可度排名最后的第三方个人。

(3)喜爱向量计算描述为：

nati＝(nati1,nati2,...,natij,...,natin)其中，natin代表了第i个用户的第代表了第i个用户的n个属性，nati代表了第i个用户的喜爱向量。

(4)对每一个用户的喜爱向量量化构建多元线性回归方程描述为：yi＝b0+b1nati1+b2nati2+...+bnnatin+μi其中，bn代表了第n个对评分值y产生影响的因素，b0代表了常数项，μi代表了随机误差，yi代表对于给定的nat向量，从而得到的第i个用户的评分值。

(5)协同过滤方法计算目标用户与其他用户的相似度描述为：其中distance(m,n)代表目标用户m与用户n之间的距离，k代表系统中总共有的用户数，Sim(m,n)代表目标用户m与用户n之间的相似值，可选取与目标用户最相似的N个用户作为目标用户的邻居。

(6)推荐公式描述为：

其中Rij代表在评分‑项目矩阵中用户i对物品j的打分，Sim(m,i)是两个用户m,i之间喜好的相近程度， 代表当前用户m对它历史参与的任何项目的平均打分， 代表了当前用户i对它历史参与的任何项目的平均打分，k代表选取k个与用户m较高喜爱相似度的用户，pre(m,j)代表用户m对项目j的预测得分。求到的用户相似度，利用推荐公式，对用户产生推荐。