随着社交网络迅猛发展,用户间的信任关系在推荐过程中扮演着愈加重要的角色。研究表明,综合考虑信任信息来计算相似度,可以获得更好的推荐效果。但是,已有基于信任的推荐算法忽略了以下问题:(1)算法未考虑到“托攻击”问题的影响,导致系统的鲁棒性较差,易受到攻击。(2)算法未充分挖掘信任网络中信任邻居的评分信息,使得直接信任度计算依然存在较为严重的数据稀疏性问题。(3)存在多条路径时,已有研究忽略了不同路径的信任度权重,也未充分挖掘较长路径的信任值,使得间接信任度计算不够准确。针对托攻击问题,通过对比托攻击用户和正常用户,在信任网络下的行为特征差异,定义多个统计量特征,对托攻击用户进行检测。仿真实验结果表明,算法能保持较高的检测率,提高系统的鲁棒性;针对信任网络的数据稀疏性问题,采用协同过滤算法的设计思想,将信任邻居的评分信息加入到用户直接信任度的计算之中,使得相似性较高,且与信任邻居相似度较高的用户能具有更高的相似度,充分挖掘信任网络中的信息。仿真实验结果表明,算法RMSE指标有明显的提升;针对已有基于信任的计算模型的缺点,采用基于协同过滤算法的思想,提出基于路径项目差异度的路径筛选算法,将信任用户之间的信任路径作为整体计算,使得信任路径评分差异越小,评分项目越多,路径长度较短的信任路径的信任值较大,挖掘较长路径的信任信息。仿真实验结果表明,算法具有更好的推荐精度和更好的实时性。