用户相关性度量是异构信息网络研究的基础与核心。现有的用户相关性度量方法由于未充分开展多维度分析和链路分析，其准确性尚存在提升空间。为此，提出了一种融合狄利克雷分布（LDA）与元路径分析的用户相关性度量方法。首先利用LDA进行主题建模，通过分析网络中节点的内容来计算节点的相关性；然后，引入元路径来刻画节点间关系类型，通过关联度量（DPRel）方法对异构信息网络中的用户进行相关性测量；接着，将节点的相关性融入到用户相关性度量计算中；最后，采用IMDB真实电影数据集进行实验，将所提方法和嵌入LDA主题模型的协同过滤推荐方法（ULR-CF）、基于元路径的相关性度量方法（PathSim）进行了对比分析。实验结果表明，所提方法能够克服数据稀疏性弊端，提高用户相关性度量的准确性。

针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题，提出一种集成用户信任度和品牌认可度的商品推荐方法（TBCRMI）。该方法通过分析用户的购买行为和评价行为，计算得到用户对商品品牌的认可度和用户自身的活跃度；然后利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对用户进行聚类，并在此基础上融合用户信任关系，采用Top- K方法得到近邻关系；最后，依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性，使用Amazon Food和Unlocked Mobile phone两个数据集，选择基于用户的协同过滤算法（UserCF）、融合用户信任的协同过滤推荐算法（SPTUserCF）与合并用户信任的协同过滤算法（MTUserCF），对准确率、召回率和 F1值等指标进行了对比分析。实验结果表明，无论是多品牌综合推荐还是单一品牌推荐，TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。