目前协同过滤算法以其简单和精确占据了推荐领域的半壁江山，许多网站都采用这种算法来进行推荐。然而它存在着冷启动、数据稀疏性等问题，也在寻找解决上述问题的突破口。当前社交网络的广泛应用，使得系统除了用户历史购买数据或者评分数据能被加以利用之外，信任网络数据也可以为推荐做出贡献。本着充分利用网络资源的思想和日常生活中“物以类聚，人以群分”的现实状况，本文将信任网络引入到传统协同过滤个性化推荐算法中。基于Epinions和Friendfeed数据集做了大量的研究工作。本文的主要工作和贡献如下：1．提出了基于信任网络的推荐算法：信任网络对推荐系统存在着重要影响，在日常生活中我们的决定会被朋友的建议所影响。模型中朋友们对某产品的推荐力度会以数值形式增加目标用户对该产品的购买可能性。通过将信任网络推荐引入到传统协同过滤算法中，实验结果表明混合算法不仅在各种准确性指标上性能有提升，在多样性方面也有很大进步，此外对冷启动问题也有缓解。2．分析了不同信任关系对推荐的影响：不同的信任关系对用户的影响力度是不同的，本文在前文基础上提出了另外两种信任关系的推荐系统模型。实验结果表明这几种算法都能在提高算法性能。另外信任关系比被信任关系的推荐效果更好。说明信任关系更能反映用户的兴趣。此外，综合考虑信任与被信任关系的算法，在不同数据集上表现不同。说明网络功能决定网络结构，不同的网络适用的算法也不同。3．分析了网络功能与网络结构对推荐的影响：通过将网络根据其结构不同划分成几种不同的情况，对每种情况都给出了推荐建议。4．设计了商品-朋友联合推荐的系统：基于对信任网络推荐算法的研究，设计了商品-朋友联合推荐的原型系统。该系统能够为用户同时推荐用户和商品，提高了多样性，其新颖性提高了用户体验。