个性化推荐是目前解决信息过载问题的一种重要手段,广泛应用于电子商务、视频分享、在线社交等领域。协同过滤算法作为推荐系统中一类比较知名的算法,其基本思想是发现兴趣相似的用户,但是它也存在着一些内在的问题,比如数据稀疏和冷启动问题。社交网络的发展给推荐算法的研究带来了新的契机,学者们将社交信任信息加入到协同过滤算法中,以此来解决数据稀疏和冷启动问题,提升推荐性能。本文研究基于信任关系的协同过滤算法,主要工作内容如下:第一,提出了一种基于双信任机制的协同过滤算法。在推荐系统中加入显示信任信息,可以有效解决其存在的固有问题,提升推荐性能。但是显式信任不易直接获取,并且也存在数据稀疏问题。本文在基于显示信任关系的推荐算法基础上,加入了隐式信任关系,通过结合显式信任关系与隐式信任关系,一定程度上弥补了他们各自存在的不足。实验结果表明,新算法能有效提高推荐的准确度、覆盖率以及整体性能。第二,提出了一种基于改进相似度的信任推荐算法。基于社交信任关系的推荐算法需要融合信任邻居的评分数据得到新的评分,融合后的评分很可能存在失准的噪声数据。本文提出融合评分系数来保证来自于信任邻居的融合评分的正确性和可靠性,在经典的相似性度量方法的基础上,加入了修正的Jaccard系数和融合评分系数作为权重系数,对传统的相似度计算结果进行改进。实验结果表明,改进的算法能有效提高预测准确率。