随着互联网技术的快速发展,诞生了很多基于用户关系的社会化媒体。快速爆发的互联网信息和日益加快的生活节奏使得快速地过滤冗余信息,捕获用户的兴趣成为了很多社会化媒体的一项核心诉求。推荐系统能够有效的利用诸如用户反馈,用户关系,物品内容等多种信息分析用户的偏好,并根据用户喜好过滤信息,从而帮助用户快速获取有效的信息。基本的只基于用户反馈的推荐系统,无论是多类别推荐还是单类别推荐都受反馈过于稀疏的影响而导致效果不佳。很多研究者通过引入信任关系来提高推荐效果,这类基于信任的推荐方法虽然取得了一定的效果,但是仍然存在着诸如如何解决用户关系过于稀疏,如何高效地利用信任关系分别处理多类别推荐和单类别推荐等问题。针对这些问题,本文提出一种首先基于已有的信任关系推导填充原有的信任关系,之后利用新的更完整的信任关系进行推荐的方法。本文的主要工作如下：1.提出了一个基于信任关系推导和用户反馈的推荐系统框架。该框架能够将信任关系推导和用户反馈推理这两项技术有机结合,并有效的解决了用户关系稀疏性,用户反馈稀疏性所带来的种种问题,能够区别处理多类别反馈和单类别反馈推荐。2.提出了一种将非负约束和相似性与已有方法结合的信任推导方法。该技术利用非负约束和相似性扩展了已有的多维信任推测模型,并最终以回归分析将多种模型组合为一个整体。3.提出了一种基于矩阵分解和社交正则化的基于信任的多类别推荐模型。该模型能够首先基于已知的信任关系推测几种未知的信任关系,并将已知和推测的信任通过遗传算法进行合并,利用PMF算法框架辅以同质效应整合起来生成模型。4.提出了一种基于矩阵分解和社交正则化的基于信任的单类别推荐模型。该模型能够基于已知的信任关系推测几种未知的信任关系,并将已知和推测的信任利用NMF算法框架整合起来以便更好地推荐。