针对推荐系统中单类协同过滤（OCCF）可解释性差、数据噪声多的缺陷，提出了一种基于置信度加权的单类协同过滤推荐算法。算法通过置信度函数将用户隐性反馈映射为置信概率，并将该函数集成到隐性反馈推荐模型（IFRM）框架中，形成了隐性反馈置信度加权推荐模型（CWIFRM）；在此基础上，针对CWIFRM基于随机梯度下降提出了异构置信度优化算法。实验结果表明，该模型在多个数据集上都具有更好的推荐效果，异构置信度优化算法使推荐质量得到了进一步提高，验证了CWIFRM具有较强的适用性、可解释性和抗噪声能力。