个性化社交网络协同过滤推荐系统依赖用户的社交关系（用户关注用户的操作数据，称为用户之间的信任度），根据用户对项目的评分数据，计算目标用户的最近邻居，同时将目标用户信任的用户加入最近邻居，进行推荐，旨在提高目标用户信任的其他用户的相似用户的项目推荐，达到推荐更准确的目的。
本文主要讲解了个性化社交网络协同过滤推荐系统实现的开发环境、数据集、开发过程、协同过滤推荐算法、推荐算法测评指标、实现结果等内容。
1、开发工具：MyEclipse，jdk1.7，tomcat7，mysql5.5，navicat；
2、开发框架：Spring+Struts+Hibernate，页面采用jsp，jquery脚本，bootstrapt脚本，layer弹窗组件。
本系统采用filmtrust数据集，数据集一共两个文件trust.txt和ratings.txt，trust.txt是用户信任度数据文件，共1853条数据，ratings.txt是用户项目评分数据文件，共35497条数据，用户671个，项目1508个。
本系统使用SSH开发框架，mysql数据库，主要代码如下图所示：
1、applicaitonContext.xml配置文件
2、struts.xml配置文件
3、数据集处理工具类
4、协同过滤推荐算法工具类
5、KMeans聚类算法工具类
6、mysql数据库
本系统采用基于用户根据评分数据+聚类+信任用户数据填充提高信任用户相似度的推荐算法。
系统在启动后，会分页查找所有评分数据，并构建用户-项目评分矩阵，根据用户项目评分矩阵进行用户聚类（聚类算法的计算时间很长故在项目启动时运行，本聚类算法的初始中心点选择采用随机选择，随机选择对聚类的结果有影响，每次聚类结果都会不一样，也可更改其他参数影响聚类结果，最优聚类结果需要不断调试参数计算，可通过JunitTest类进行不断测试），用户在系统首页输入用户id，然后首先找到该用户所在的聚类中的簇，将簇中所有用户点构建成用户-项目评分矩阵，同时利用用户之间的信任度，将当前用户的信任用户填充进用户-项目评分矩阵，并填充当前用户的评分数据，如果信任用户对相同项目有评分，则不填充该项目评分，这样操作，用户与信任用户之间会有较高相似度，然后根据用户-项目评分矩阵计算当前用户的最近邻用户，最后就是推荐。
测评指标采用MAE平均绝对误差、recall召回率、precision查准率，算法的比较是四中介绍的算法与四去掉聚类算法的比较，经过多次计算添加聚类的算法的MAE、recall、precision都优于没有添加聚类的算法。
1、系统首页
2、KMeans聚类结果1
3、KMeans聚类结果2
4、推荐结果1
5、推荐结果2
6、测评指标
