随着互联网科技的飞速发展,互联网产品在世界范围内得到了极大的普及。人们的使用伴随着大量历史记录的产生。如何有效利用用户的历史记录,挖掘用户的偏好成为一个大的课题。推荐系统的诞生就是为了给用户推荐用户喜欢的实体。经过十几年的发展,如今推荐系统已经在很多领域得到了成功的应用。传统的推荐系统主要基于用户和实体的历史关系进行挖掘。近些年来,随着社交媒体和社交网络的兴起,互联网产品中人与人的关系挖掘也得到了更大的重视。在本文中,提出了一种在信任网络中基于随机游走的推荐算法,这种算法能够有效利用人与人的信任关系,进而提升推荐效果。同时,提出了一种基于随机游走的最近邻算法,最后将其推广在信用网络当中。本人主要工作如下:1.设计了一种基于随机游走的社交网络推荐算法。该算法能够有效利用用户实体关系和用户之间的信任关系。实验结果表明该算法在推荐结果的准确率、召回率、等指标上较基准算法都有一定提高。同时,该算法能在一定程度上解决冷启动用户的推荐难题。2.提出了一种基于随机游走的最近邻推荐算法。传统的协同过滤能通过选取最近邻参数来调整算法的表现。在基于随机游走或者热传导的推荐算法当中,先通过物理学方法构建实体之间的相似度网络关系,然后通过调整相似度网络来调整算法表现。通过在标准数据集的仿真实验,该算法能够有效提高准确率、多样性等推荐系统各项指标。3.提出了一种基于文本语义分析的用户兴趣建模方法,并基于该方法提出了基于用户兴趣模型的协同过滤算法。同时为了有效挖掘冷门事物,提出了一种融合算法,将热传导算法和用户兴趣模型协同过滤算法进行线性融合。最后提出了一种基于逻辑回归算法的融合框架,通过参数训练的方法进行算法融合。通过实验仿真,以上提出的方法均能有效提升推荐的精度和新颖性等指标。