1.一种基于情感与信任的协同过滤推荐方法，其特征在于，该基于情感与信任的协同过滤推荐方法包括：步骤1，对用户项目已评分矩阵进行归一化处理后得到显式满意度；根据向量余弦法计算得到已评分项目和未评分项目之间的相似度，利用所述显式满意度和相似度计算得到隐式满意度，由显式满意度和隐式满意度构成扩充满意矩阵；

其中，所述对用户项目已评分矩阵进行归一化处理后得到显式满意度的公式包括：根据用户项目评分矩阵R，将评分值rup归一化到[0，1]区间得到用户u对项目p的显式满意度其中，max表示评分值上限，m表示用户数，n表示项目数；

其中，所述根据向量余弦法计算得到已评分项目和未评分项目之间的相似度包括：其中，项目pi、pj之间的相似度为 为项目pi的用户评分向量， 为项目pj的用户评分向量，评分向量中每个元素取值为0或1；

其中，所述利用所述显式满意度和相似度计算得到隐式满意度的方法包括：其中，用户u对项目p的隐式满意度为 {pu1，pu2，…puk}为用户u评过分的项目集合，其中，所述由显式满意度和隐式满意度构成扩充满意矩阵的方法包括：如果用户u对项目p存在显式满意 则 否则步骤2，根据扩充满意矩阵计算评分相似度和偏好相似度，利用评分相似度、偏好相似度以及由有监督的学习算法设置的权重得到用户对项目看法相似性产生的客观信任度；

步骤3，根据用户满意交互频率对用户社交网络进行抽象，基于六度分割理论建立带权有向图，计算得到用户间由熟悉性产生的主观信任度，其方法包括：其中， 是ua和ub之间的主观信任度 表示以用户ua为根时用户ub所在的层次，层次是指与目标用户ua的最小信任传递距离，q是与用户ua存在直接或间接交互的用户节点所在的最大层数为，levsum＝1+2+…+q， 表示用户uj-1和用户uj间路径上的权重，即最小满意交互频率，uj-1uj为路径uaua+1…uj-1uj…ub-1ub上相邻的两个用户，i表示用户ua到用户ub的第i条路径，r为用户ua到ub的路径数，t表示满意交互的时间间隔，Lj表示层次为j的所有用户与层次为j-1的所有用户之间的路径权重之和；

步骤4，使用有监督的学习算法将客观信任度和主观信任度加权得到增强信任度；

步骤5，根据情感评分向量和改进的VSM向量空间模型来计算用户间的情感一致性；

步骤6，利用Top-N算法，按增强信任度筛选出预设大小的候选邻居集，并以情感一致性为标准对候选邻居集进行二次筛选得到最终邻居集，通过所述最终邻居集中的邻居用户对项目的扩充满意矩阵预测用户对项目的评分，选择较高评分的项目产生推荐集。

2.根据权利要求1所述的基于情感与信任的协同过滤推荐方法，其特征在于，在步骤2中，根据扩充满意矩阵计算评分相似度和偏好相似度的方法包括：其中，评分相似性为Pcc； 分别代表用户ua和用户ub的项目满意度的平均值；

其中，偏好相似性为Jac； 代表用户ua评价过的项目集

合， 代表用户ub评价过的项目集合， 表示用户ua和用户ub共同评分的项目数， 表示用户ua和用户ub所有评分的项目总数；

利用评分相似度、偏好相似度以及由有监督的学习算法设置的权重得到用户对项目看法相似性产生的客观信任度的方法包括：其中，客观信任度为 β为调和参数，与1-β分别代表评分相似性和偏好相似性在计算客观信任度时的权重。

3.根据权利要求1所述的基于情感与信任的协同过滤推荐方法，其特征在于，在步骤4中，使用有监督的学习算法将客观信任度和主观信任度加权得到增强信任度的方法包括：其中，增强信任度为 α为调和参数，与1-α分别代表相似性和熟悉性在计算增强信任度时的权重。

4.根据权利要求1所述的基于情感与信任的协同过滤推荐方法，其特征在于，在步骤5中，根据情感评分向量和改进的VSM向量空间模型来计算用户间的情感一致性的方法包括：其中，情感一致性为 和 分别表示用户ua和ub基于每对情感极性上的情感评分，i＝1，2，3，4。

5.根据权利要求1所述的基于情感与信任的协同过滤推荐方法，其特征在于，在步骤6中，通过所述最终邻居集中的邻居用户对项目的扩充满意矩阵预测用户对项目的评分的方法包括：其中， 表示用户ui对项目的平均评分值。