随着当今社交互联网技术的快速发展,基于社交网络的社交推荐[1]已然成为个性化推荐系统[2]领域的重要研究热点之一。本文采用用户的综合信任关系作为补充,结合深度学习技术的同时兼顾时间因素研究社交推荐系统,基于Diff Net方法[3],构建一个改进的基于综合信任的增强社交推荐模型（Enhanced Trust Diffusion Neu-ral Network,ETDNet）。经过对Diff Net推荐模型的分析研究,该模型存在以下问题:（1）信任问题:传统推荐往往缺乏区分用户信任程度的能力。在现实中,用户在做决定时可能更信任朋友的反馈,而不是普通用户。当用户与不同的物品交互时,对不同的用户具有不同的信任程度。（2）时间问题:存在时间影响用户偏好推断的问题,在Diff Net中尚未得到很好的研究。（3）噪声问题:Diff Net没有考虑到远距离社交关系所产生的噪声对推荐性能的影响。针对Diff Net模型所存在的上述问题,本研究工作提出了基于综合信任并兼顾时间因素的社交推荐研究方法,以进一步提高社交推荐系统的性能。首先,通过融合基于用户与物品历史交互记录的综合信任到递归社交动态建模中,以获得不同用户面向不同物品的综合信任。其次,基于注意力网络机制捕获社交信任信息,作为影响用户偏好的一部分因素,以解决同阶领域的权重分配问题,同时兼顾时间因素。然后,考虑了模型的网络结构,本文设计了一种创建残差连接[4]的优化方法降低了长距离关系的噪声。最终,将三个部分融合在一个统一的框架中,以相互增强,并建立一个更好的扩展模型。经过对实验数据的分析,在两个真实社交数据集yelp和Flickr的实验结果表明,本文提出的ETDNet模型优于其他基线模型,在提高推荐效果和优化推荐性能方面具有较好的表现,可以为社交推荐提供有价值的建议和经验。