随着互联网的发展,尤其是移动互联网的时代,人们的生活已经离不开互联网。人们每天需要从海量的信息里获取对自己有用的信息,随着信息量的日益增多,获取信息的难度也逐渐增大。为了克服这个问题,推荐系统被引入到各式各样的互联网应用中,为用户推荐其感兴趣的内容。但是,人们对于高质量的内容需求不断增多,对于推荐系统的要求也不断提高。因此,学术界对于推荐系统的研究已经成为一个十分重要的课题。推荐系统经常会遇到冷启动和数据稀疏等问题,引入信任机制是缓解这些问题的一种有效方案。本文研究将信任机制引入到推荐系统中,提升用户的体验,具有重要的实际意义。本文针对基于信任机制的在线推荐系统进行研究,结合国内外对于推荐系统的研究现状,进行了如下的工作:(1)本文研究通过引入信任关系数据,构建信任矩阵,缓解评分矩阵稀疏的问题。基于信任的特征,研究了不同方式构建信任矩阵的区别和优缺点;(2)为了满足在线推荐系统的需求,通过研究矩阵分解的增量学习算法,将其与信任机制相结合,提出隐式信任矩阵增量分解算法,实现基于信任机制的推荐算法。实验结果表明,该推荐算法在保证准确率的前提下,提升了在线推荐算法的训练速度,为在线推荐系统的快速模型更新提供了保证;(3)结合本文提出的基于信任机制的推荐算法,使用主流的数据处理技术,设计和实现了基于信任机制的在线推荐系统。引入热门商品的机制,通过配置推荐商品和热门商品的排序规则,缓解了推荐系统推荐商品不足的情况,提高了推荐系统的稳定性。