随着互联网的高速发展,网络信息量大幅增长,面对海量数据信息用户无法快速有效地获得对自己有用的信息,即“信息过载”问题,搜索引擎和推荐系统是解决“信息过载”问题的重要技术手段,但随着信息量的高速增长,搜索引擎的被动搜索已不能完全满足人们的需要,个性化推荐系统因能主动给用户推荐可满足他们兴趣的信息而得到了广泛的研究与发展。个性化推荐通过收集与分析用户的历史行为,利用一定的算法机制,可主动向用户提供个性化的推荐。协同过滤推荐算法是推荐系统中应用最广泛的算法,但传统协同过滤推荐算法存在着数据稀疏及冷启动等问题,造成对冷启动用户或物品的推荐质量不高,算法亟待改进。随着社交网络的兴起与发展,人们不仅是信息的消费者,也是信息的生产者,信息量急速增长,因此,有研究者提出通过加入用户的社交信息来对用户进行推荐。信任信息作为用户最重要的社交信息被引入推荐,出现了基于信任的推荐算法,其在传统推荐算法的基础上,通过加入用户的信任信息来改善推荐质量,可有效缓解传统协同过滤推荐算法存在的问题,但信任信息存在着数据稀疏且信任值形式单一等问题。针对信任推荐存在的问题,本文在分析传统协同过滤推荐算法及信任推荐算法的基础上,提出了如下三种算法:(1)针对显式信任数据稀疏且信任形式单一的问题,引入隐式信任推断算法,并结合显式信任与隐式信任,基于SVD++算法模型,提出基于双信任机制的EITrust SVD算法,其在依靠显式信任获得可靠推荐的同时,借助隐式信任获得与用户喜好相关的推荐。在公开数据集Film Trust上的实验表明,该算法可有效提高推荐准确率;(2)针对信任信息为信任列表或二值信任的情况,通过结合评分信息与信任关系,对用户之间的信任度进行学习,并将该信任影响作为推荐权重,提出加入信任学习的协同过滤推荐算法,在公开数据集Ciao数据集上的实验表明该算法可有效提供推荐准确率。(3)通过对目标用户的信任列表及其信任用户相似度之间的关系进行相应的分析,选取目标用户信任列表中的有效推荐用户,并结合相似度的动态变化,提出加入动态变化相似度的信任推荐算法。