社会化电子商务是指用户通过内容生成、交互互动等方式自发进行信息分享与传播以辅助产品或服务的营销推广和销售行为的新型电子商务,平台中的海量生成内容使得用户难以从中找到真正所需的信息或产品,且平台中存在的恶意推荐、虚假宣传和网络钓鱼等失信行为使得用户怀疑他人评价信息的真实性,这些问题造成平台利润和信誉的双重损失。因此,如何建立面向社会化电子商务的推荐机制以帮助缓解平台中存在的信息过载和信任缺失问题显得至关重要。本文聚焦于以上问题,认真梳理和归纳国内外学者对社会化推荐机制建立过程和影响因素分析的研究成果,发现推荐算法未能充分考虑用户间的显式与隐式信任,且对用户个体兴趣的刻画不够深入,本文首先从隐式信任角度出发,提炼并量化体现用户潜在信任关系的三个因素构建用户信任融合模型以有效识别目标用户的可信邻居集合,同时引入商品流行度将其作为调整因子对目标用户进行评分预测,实验结果表明,该模型在推荐过程中细致刻画用户间的多维隐式信任能够取得较好的推荐效果,且通过引入商品本身的流行度因素能够进一步提高推荐性能;其次,显式信任直接反映用户的态度或偏好,在可信邻居筛选中起到重要作用,分析用户间的直接信任与不信任评价数据以构建网络拓扑结构,并结合网络中信任的传递特性度量用户间的显式信任值,从而构建用户显式与隐式信任融合模型,并将融合后的总体信任值作为邻居用户筛选的依据实现基于显隐式信任和商品流行度的协同过滤算法,实验结果表明,通过将不信任评价引入社交网络能够有效识别网络中的恶意节点,从而提高信任度量结果的客观性和准确性,且所提出的融合推荐机制通过全面考虑用户间的显式与隐式信任能够有效提高识别可信邻居的能力,从而改善推荐结果的准确度;最后,考虑到用户对所推荐产品或服务的接受程度受到自身兴趣偏好的影响,在上述信任推荐应用基础上,将时间衰减函数引入产品的类别标签数据中,并应用时间窗口法量化用户自身对不同类别产品的动态兴趣度,最终加权均衡用户个人兴趣偏好和所信任好友偏好产生推荐列表,实验结果表明以一定比例加权用户个人兴趣得分和信任好友得分的推荐机制在准确率、召回率和F值指标上均优于所比较的三个推荐模型,有助于改善单一推荐方案的不足和弊端,从而提高推荐效果,为平台开展个性化推荐业务提供一定的理论指导。