随着互联网技术和移动终端技术的快速发展,如何帮助用户快速获取到目标信息备受关注。推荐系统因其能够根据用户的历史行为数据为用户推荐其可能感兴趣的信息而得到广泛研究,然而,传统推荐系统更多利用评分数据进行物品或用户推荐,但是,数据稀疏问题时常影响着推荐的准确性。为了缓解数据稀疏问题,研究学者们考虑将用户间的社交关系（信任关系、关注关系、不信任关系等）和矩阵分解算法结合,从而提出社会化推荐算法,该算法不仅在一定程度上缓解了数据稀疏问题,而且进一步提升了推荐系统的准确性。然而大多数社会化推荐算法只考虑了用户间的信任关系。但有研究表明,在社会化推荐算法中,不信任关系的引入可以帮助完善信任网络,从而提升推荐系统的准确性。所以,本文提出:1.在现有社会化推荐算法的基础上,考虑将用户间的信任关系和不信任关系以及根据评分数据获取到的隐式信任和隐式不信任关系进行结合,从而提出一种基于信任和不信任的社会化推荐算法,该算法在某种程度上缓解了数据稀疏问题,通过实验证明该算法能进一步提升推荐系统的准确性。2.随着时间的推移,用户间的社交关系是动态变化的,因此,如何动态捕捉用户间社交关系的变化对提升推荐系统的准确性是非常重要的。所以,本文考虑引入时间效应函数来动态捕捉用户间社交关系的变化,然后通过实验证明该算法相较于没有考虑社交关系动态变化的算法能进一步提升推荐系统的准确性。3.设计并实现一个图书推荐系统,将上述提出的推荐算法应用到图书推荐系统中,为用户推荐其可能感兴趣的图书信息。