众多学者围绕推荐系统领域进行了深入研究，并阐述了基于可信用户的推荐系统（蔡浩 等，2010；张富国 等，2010；Massa and Avesani，2007；O’donovan and Smyth，2005）。然而学者们对可信用户的定义或认定的侧重点却是各不相同的，其中有一种就是对可信性进行显性定义。比如以信任网为基础的推荐方法（Massa and Avesani，2004），采用这种方法构建信任网主要是以用户间彼此的互动为基础，通过互动用户的推荐赢得用户的信任值。另外，还可以通过用户的部分特征进行可行性分析（O’donovan and Smyth，2006）。例如，依照某领域内用户的购买史将其划分为两类：无推荐能力用户、有推荐能力用户（李聪 等，2008），如此不仅使得算法的复杂度降低，而且算法的推荐准确性得以提高。此外，也有部分研究以用户的兴趣和特征为视角，深入探讨并分析了协同过滤算法（严冬梅 等，2012），该算法在推荐效果上相对突出。

关于上述内容，围绕着怎样保障信息来源的可信性展开了深入分析，并取得了一系列研究成果。然而以消费者的视角看，针对同一商品，由不同可信用户给出的评价，是否会对目标用户产生同等重要的影响？就目标用户来说，对有推荐认知的用户或可信用户，其依赖度是不同的。比如，在选择餐厅时，一部分用户更愿意采纳有相似口味、爱好和审美的朋友提供的建议；而另一部分用户则以相关行业、领域的专家意见作为主要参考，甚至在项目推荐环境不同的情况下，同一目标用户也具有不同的依赖倾向。Eric et al（1984）从营销学、消费者心理学等方面有以下研究认识：若用户对相关产品已有部分或全面认知，那么其对专家建议可能不存在依赖性；若用户缺乏相关领域知识，则其对专家建议有选择倾向。

综上所述，因用户之间存在着异质性，如可信用户、专家用户、趣味相似用户，以及项目推荐环境不同情况下用户自身依赖倾向存在着异质性，所以，在搜集用户信息的过程中，有必要依据用户类型的不同对评价信息来源进行分类：其一，能够反映消费者的信任偏好；其二，有助于提升商品评分预测的准确性。之所以进行如此分类，就是想在寻找相似邻居方面使协同过滤推荐技术具有更高的合理性。此外，为使消费者能充分感受到系统具有仁慈性（全面考量消费者的实际需求）和可控性，系统应具有及时对消费者的需求和回应做出反馈的能力，且让消费者能感受到系统可控。比如，消费者可以通过偏好值的调节，获取更契合的商品排序。本章的研究框架如图7-1所示。(www.daowen.com)

本章先围绕用户涉及的三个维度（专家性、相似性、可信性）展开定量描述，再通过回归分析获取权重，即主观上对经验用户、可信用户、相似用户的判断；最后再找寻出价值最高的N个用户并推荐给消费者。

图7-1　研究框架图