过去几年互联网发展迅速,社交网络上各式各样的信息数量在爆炸式增长,使得信息过载问题愈发严重。人们面临的问题是在如此庞大数据的环境下如何快速高效的寻求感兴趣或有价值的信息,因此各种推荐系统应运而生,成为缓解信息过载和为用户提供有效决策的有力工具。对于用户来说一个懂得自己偏好并准确给出推荐结果的推荐算法是至关重要的,目前协同过滤算法是个性化推荐系统中的主流方法,同时用户所处的社交网络信息对推荐系统发掘偏好也有重要意义。但仍存在譬如冷启动、数据稀疏、忽略信息时效性等缺陷,从而导致推荐效果不理想。针对目前推荐系统中推荐算法存在的相关问题本文工作如下:(1)目前的协同过滤算法中存在不能为用户计算没有被同一用户评分过的物品相似度问题,通过分析协同过滤推荐算法的流程,同时考虑了用户所处的社交网络信息,提出了社交网络中基于信任用户聚类的个性化推荐算法,使用基于信任社交网络的目标用户的相似用户集来保持物品之间的传递相似性,该算法在一定程度上考虑了目标用户的社交信息以及通过目标用户邻居集缓解了推荐的冷启动问题。(2)为进一步提升算法的推荐准确度,本文提出了一种融合信息时效性的个性化推荐方法。首先将用户的评分矩阵和社交网络关系矩阵中相同的隐式特征来引导推荐,同时考虑了项目信息时效性,调整了项目相似度计算方法并对目标用户产生的推荐列表进行调优,从而得到高时效性的推荐结果。(3)针对目前基于社会化网络推荐算法忽略了用户对物品的多反馈信息及如何权衡两者的权重本文提出了信任社交网络中基于图熵的个性化推荐算法。根据随机游走算法的思想在用户图和信任图上游走并重复直至得到各相似度的收敛值,为了权衡两组相似度,我们采用图熵的方法对其进行加权进而获得最终相似度并做出推荐。最后,为了验证本文提出各推荐算法的有效性,分别对各算法进行了模拟实验和分析。结果表明本文所提出算法有效缓解了目前推荐系统冷启动和数据稀疏问题,提高了推荐质量。