在跨域推薦系統(tǒng)中，存在某些用戶對所購買的物品進行隨意評分的情況。由于對物品進行隨意評分的用戶的數(shù)量較少，當該物品的評分數(shù)量較多時隨意評分對推薦效果的影響較小，但是當該物品的評分數(shù)量較少時，隨意評分會對推薦效果產生較大的影響。針對這個問題，提出一種基于評分可靠性的跨域個性化推薦方法。該方法針對不同的評分可靠性，為用戶設置不同的閾值。當將輔助域的數(shù)據向目標域遷移時，如果用戶進行評分的某物品的評分數(shù)量低于該用戶的閾值，則不將該用戶對該物品的評分數(shù)據遷移到目標域，否則進行遷移，以此減少隨意評分對推薦效果的影響。實驗結果表明，整體上，與為所有用戶設置統(tǒng)一的閾值和不為用戶設置閾值的跨域推薦相比，所提方法具有更高的預測評分的準確度。

　　近幾十年來，隨著互聯(lián)網的快速發(fā)展，人們能夠獲取的信息越來越多，但是用戶在面對數(shù)量龐大、內容豐富的信息的同時，對如何獲取自己真正想要的信息存在著困惑，因此，大量以個性化推薦為代表的過濾網絡工具應運而生。目前個性化推薦領域大多數(shù)研究人員主要研究單領域推薦，如Netflix和Last．fm。單領域推薦往往存在數(shù)據稀疏和冷啟動兩大主要問題，使得用戶的個性化推薦效果不理想。如何整合多個不同域中的數(shù)據來實現(xiàn)用戶精準推薦已成為近來個性化推薦的研究熱點。

　　推薦系統(tǒng)如何根據用戶對一類信息（或物品）的喜好，向其推薦其他類型的信息（或物品），被稱為跨域推薦。在跨域推薦中存在隨意評分的用戶，例如，有的用戶即使對購物過程不滿意，但因為好評返紅包等原因仍對物品給出較高的評分；而有的用戶即使對購物過程滿意，因為心情不好等原因對物品給出較低的評分。當該物品的評分數(shù)量較少時，隨意評分使得該物品的評分并不能準確表現(xiàn)出用戶的偏愛，從而對推薦結果的準確性產生較大的影響。