随着信息技术的发展和互联网的普及,人们不知不觉地进入了信息过载的时代。作为处理信息过载的方法之一的推荐系统,因为能够为用户提供更好的个性化服务而成为值得研究的问题。它能够在用户没有明确需求的情况下主动帮助用户发现其感兴趣的新内容。作为推荐系统核心的推荐算法,虽然以协同过滤算法的应用最为广泛,但在社交网络兴起后,以社交网络为基础的推荐系统逐渐成为新的研究热点。在真实世界中,人们倾向于信任好友对产品的推荐,他们的喜好与其信赖的朋友的喜好相似或受其影响。研究人员希望将社交网络中信任关系引入到推荐中,来模拟真实世界中的推荐。本文的研究工作如下：(1)我们首先介绍推荐系统的研究现状和相关工作,主要对协同过滤算法和基于社交网络的算法进行了描述,并分析现有工作中存在的问题。(2)传统的相似度量在没有足够历史数据的条件下计算物品间或用户间相似度时面临问题和挑战,为了探讨这个问题,本文提出了一个新的相似度量方法,以更综合客观的角度计算相似度。(3)受困于社交关系数据的稀疏性,基于社交网络的算法要去考虑网络中信任度较弱的间接邻居,有限相似的邻居带来了长尾噪音的干扰问题,降低了推荐精度。为了解决这一问题,本文设计一个合理的邻居筛选方法,挑选出相似度较高的邻居。(4)已有算法都假设评分数据是客观真实的,而忽略了异常评分的存在可能。针对该问题,本文引入反馈调节机制,识别和修正异常评分项,提高推荐精度。(5)本文设计并实现了一个结合相似度量和反馈调节的推荐系统,系统集成了上述方法,通过实验验证算法不仅可以缓解数据稀疏性问题和冷启动问题,而且可以有效提高推荐精度。