针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题，提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF），该模型综合考虑项目评论文档的主题信息与深层语义信息。首先，分别使用LDA主题模型和文本CNN对项目评论文档建模；然后，获取项目评论文档的显著潜在低维主题信息及全局深层语义信息，从而捕获项目文档的多层次特征表示；最后，将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中，产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上，将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明，相较PMF、CDL、ConvMF模型，所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%，在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%，在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%，验证了所提模型在推荐系统中的可行性与有效性。

针对推荐精度不准确、数据稀疏、恶意推荐的问题，提出融合信任基于概率矩阵分解（PMF）的新推荐模型。首先，通过建立基于信任的协同过滤模型（CFMTS）将改进的信任机制融入到协同过滤推荐算法中。信任值通过全局信任及局部信任计算获得，其中局部信任利用了信任传播机制计算用户的直接信任值和间接信任值得到，全局信任采用信任有向图的方式计算得到。然后，将信任值与评分相似度融合以解决数据稀疏、恶意推荐的问题。同时，将CFMTS融入到PMF模型中以建立新的推荐模型——融合信任基于概率矩阵分解模型（MPMFFT），通过梯度下降算法对用户特征向量和项目特征向量进行计算以产生预测评分值，进一步提高推荐系统的精准度。通过实验将提出的MPMFFT与经典的PMF、社交信息的矩阵分解（SocialMF）、社交信息的推荐（SoRec）、加权社交信息的推荐（RSTE）等模型进行了结果的对比和分析，在公开的真实数据集Epinions上MPMFFT的平均绝对误差（MAE）和均方根误差（RMSE）比最优的RSTE模型分别降低2.9%和1.5%，同时在公开的真实数据集Ciao上MPMFFT的MAE和RMSE比最优的SocialMF模型分别降低1.1%和1.8%，结果证实了模型能在一定程度上解决数据稀疏、恶意推荐问题，有效提高推荐质量。