1.一种基于用户上下文耦合相似度的概率矩阵分解推荐方法，其特征在于，所述方法包括以下步骤：步骤1.收集大量用户数据，数据包括用户的上下文信息和用户之前选择的项目信息，以此为基础构建数据集；

步骤2.结合用户上下文之间的耦合相似度和可信度构建用户信任关系矩阵，用户上下文的相似性具体计算方法如下所示：上述公式中 是用户ui和用户us在上下文j上的耦合相似度CAVS，且COS(ui，us)∈[0，1]，其值越高代表越相似，l是上下文的数量；

耦合属性值相似度CAVS由特征内耦合属性值相似度IaAVS和特征间耦合属性值相似度IeAVS两部分组成，特征j上属性值ui，j和us，j之间的耦合属性值相似度定义为：和 分别为特征内耦合属性值相似度IaAVS和特征间耦合属性值相似度IeAVS；

特征内耦合属性值相似度IaAVS是站在属性值频率分布角度衡量不同属性值的相似度，定义如下：公式中gj(ui，j)和gj(us，j)分别是用户集合中用户上下文特征j上属性值为ui，j和us，j的用户集合；

特征间属性值耦合相似度IeAVS是站在属性间依赖聚合角度衡量不同属性值的相似度，定义如下：ωk是用户上下文特征k的权重，且 ωk∈[0，1]，δj|k(ui，j，us，j)是属性值ui，j，us，j在上下文特征j下的特征间耦合属性相似度，定义如下：上式中∩表示上下文j取值为ui，j和us，j的条件下，上下文k的属性值的所有取值集合的交集，Pk|j(w|ui，j)是描述上下文j属性值为ui，j的条件下，上下文k属性值为w的概率分布，定义如下：另外，结合用户的可信度共同计算信任关系，用户的可信性计算方法如下所示：-

其中Ttr(ui，us)表示用户ui对用户us的可信度，d(us)为信任用户us的用户数量，即用户us的的入度，d+(ui)为用户ui信任的用户数量，即用户ui的的出度；

用户信任关系矩阵用Dm×m表示，元素Dis表示用户ui对用户us的信任程度，且Dis∈[0，1]，信任度Dis的计算规则如下：(1)如果用户ui和用户us之间有直接的信任关系，即用户ui和用户us是邻居，那么Dis的值为直接信任度DT(ui，us)，公式如下：DT(ui，us)＝αCOS(ui，us)+(1-α)Ttr(ui，us)(2)如果用户ui和用户us之间没有直接的信任关系，但存在间接的信任关系，即用户ui和用户us之间有共同邻居，那么Dis的值为间接信任度IT(ui，us)，公式如下：(3)如果用户ui和用户us之间即没有直接的信任关系，又没有间接的信任关系，那么Dis的值为0；

步骤3.联合用户信任关系矩阵和用户项目矩阵进行概率分解，过程如下：通过步骤1和步骤2获得用户项目矩阵Rm×n和用户信任关系矩阵Dm×m，那么评分矩阵为Dm×n和用户信任关系矩阵Dm×m的条件概率高斯先验分布分别为：其中 是指数函数，如果用户ui对项目vj有过评分，那么它的值为1，否则为0， 表示2

指数函数，当用户ui对用户us有信任关系时， 否则 N(x|u，σ)表示x服从均值为u、方差为σ的高斯分布，设g(x)＝1/(1+exp(-x))将 和 的值映射到[0,1]区间内，用户潜在特征U、项目潜在特征V和信任潜在特征Z的先验概率符合高斯分布，因此，U、V和Z的零均值高斯分布如下公式所示：其中σU、σV和σZ表示U、V和Z高斯分布的方差，经过贝叶斯推断，得到U、V和Z的联合对数后验概率满足下式：其中，C是常数，最大化其对数后验等价于最小化如下目标函数：其中， ||·||F是表示Frobenius范数，目标函数E的局部最小值由梯度下降法求得，U、V和Z的梯度更新公式为：步骤4.新用户推荐项目集预测，过程如下：

对于新用户我们没有他们的潜在特征，通过新用户的信任用户采用均值策略融合新用户的潜在特征，新用户潜在特征计算公式如下所示：其中Unew表示新用户的潜在特征，T(Unew)为新用户Unew的信任用户集合，|T(Unew)|为信任用户的数量,Tnew，i为新用户对用户Ui的信任度，计算方法在步骤2中；

在获得新用户的潜在特征后，将新用户的潜在特征向量与项目潜在特征向量进行内积，预测新用户对项目的评分，新用户对所有项目的预测评分为其中Rnew，j表示新用户对项目j的预测评分，j＝1，2，...，n，对所有项目按评分从大到小排序，选出前N个作为推荐集推荐给新用户Unew。