随着互联网产业的快速发展,数据量也在以几何倍数爆发式增长,导致人们不易获取有价值的信息,出现信息过载问题。为处理信息过载问题出现传统的搜索引擎技术,但搜索引擎从海量数据中不易发现用户的潜在兴趣。为解决这一问题,满足人们获取个性化信息的迫切需求,出现推荐系统。推荐系统不像搜索引擎需要提供搜索用的关键词,它将通过分析用户的使用记录或历史行为发现用户的潜在兴趣,据此对其进行推荐,推荐系统更能符合用户的个性化需求。推荐系统在一定程度上解决了信息过载问题,但存在数据稀疏、冷启动等问题。随着社交网络的发展,社交信任信息也逐渐被应用在推荐系统中。研究表明,用户倾向与具有类似喜好的人建立社交关系,即信任关系和用户相似性之间存在相关性。同时也有研究表明用户更喜欢采纳来自他们认识并信任的人的推荐意见,更喜欢采纳来自他们信任和理解的系统的建议。因此,在推荐系统中引入信任关系成为解决这些问题的可行方法。但现有引入信任关系的推荐系统常只引入单一社交信任关系,导致推荐准确率与覆盖率不高。本文提出一种融合多社交信任关系的推荐算法,该算法利用多子网复合复杂网络模型构建多关系社交信任网络,将多元社交信任信息引入推荐系统以提高推荐的准确率与覆盖率。从数据集FilmTrust上的实验结果来看,在多关系社交信任复合网上进行的推荐比引入单一社交信任关系的推荐在准确率与覆盖率方面有明显提升。