随着网络资源和数字信息的指数型增长,互联网时代普遍存在信息过载(Information overload)问题,面对冗余繁杂的网络信息,如何从中提取有用的知识成为互联网用户面对的主要问题。个性化推荐系统(Personalized Recommendation System)是解决信息过载问题的有效手段。传统推荐算法通常利用用户-物品交互数据构建模型,而忽略用户和物品其他属性特征对推荐系统的影响。然而随着用户需求的提高,仅靠用户-物品交互信息难以构建准确度更高的推荐系统,因此社交网络(Social network)信息的利用引起了学者的重视,而且基于信任关系(Trust relationship)的社交推荐系统(Social Recommendation System)具有更高的可解释性。本文主要研究信任关系对个性化推荐系统的影响。针对目前社交推荐系统中用户信任关系和用户兴趣相似度(Similarity)不对等以及传统基于信任关系的社交推荐算法推荐精度不高的问题,本文围绕信任关系对现有社交推荐算法进行改进,并通过实验对提出的两种方法进行有效性评估:(1)针对用户之间显式信任关系并不能代表其兴趣相似性的问题,本文提出一种融合显式和隐式信任关系的社交推荐算法-WeightTrustSVD算法。首先根据用户-物品和物品-用户的两个偏好有向网络结构图,构建用户-用户的有向网络结构图,挖掘用户隐式信任关系,然后以加权方式融合在TrustSVD模型中,实现一种融合显式和隐式信任关系的社交推荐算法。(2)为了充分利用已知信息,进一步提高社交推荐系统的性能,本文提出一种融合信任关系和时间上下文特征的偏置张量分解(bias Tensor Factorization,biasTF)推荐算法--biasTrustTF算法,在偏置张量分解算法的基础上加入用户信任关系,并借鉴TrustSVD算法中对用户信任特征的处理方式,通过融合用户信任关系重构用户特征向量,然后结合时间上下文特征,利用biasTF模型进行学习建模,实现融合信任关系和时间上下文特征的偏置张量分解社交推荐算法。本文在推荐领域常用的公开数据集上进行实验对比与分析,结果显示,本文提出WeightTrustSVD算法和biasTrustTF算法均表现出较好的效果,推荐准确性优于其他对比算法。