随着互联网的广泛应用和智能化终端的大量涌现,充斥在网络之中的信息资源呈爆炸式增长,对用户有价值的信息往往被繁杂冗余的海量信息所淹没,用户难以从中进行有效定位,这便产生了“信息过载”问题。推荐系统是用于解决信息过载问题而被设计的有效工具,旨在主动为用户推荐可能感兴趣的事物,协同过滤推荐是其中应用和研究最为广泛的。然而,由于数据稀疏性和冷启动等问题的存在,系统所生成的推荐质量已经愈发难以满足用户的实际需求了。近年来,广泛流行的社交网络蕴含丰富的价值信息可用于推荐过程中,为推荐系统形成高质量的推荐奠定了物质基础。因此本文以协同过滤为模型,去有效融合社交网络中信息数据,从而设计相应的算法为用户生成高质量的推荐项。本文的主要工作和创新如下:1.针对现有的协同过滤推荐算法在融合社交信息时并没有将用户的信任程度进行区分,而根据社会学中的相关理论表明,用户在社交网络中的影响力越大在一定程度上反映了相关意见被采纳的可能性更高,因此本文为了建立更为准确的用户社交特征属性,将信任的建立、传播和影响因素纳入研究范围内,并将其引入到概率矩阵分解模型的推荐过程中,用于解决推荐系统在稀疏的数据集上推荐不佳的情况。通过实验证明,本方法在稀疏的数据集上也有着较高的推荐质量。2.针对现有仅基于评分信息和社交关系数据建立的信任模型易导致失真的问题,将用户对项目的社交标签信息纳入研究范围内,利用多源信息来综合分析用户的显式信任关系和隐式信任关系,从而建立一种更为准确的用户信任模型和项目信任模型,并将其应用于概率矩阵分解模型中。实验结果表明,本方法在推荐准确性和多样性上有着不错的效果。