近年来,推荐系统已经成为许多网络应用必不可少的组成部分。虽然推荐算法在各种网络应用中都取得了很大的成功,但数据稀疏问题依然是影响推荐质量的重要瓶颈之一。为了解决这个问题,在推荐算法中引进辅助数据成为必然趋势。因而,随着社交网络的发展,基于信任的社交推荐算法被证明是一种有效的解决方案。这些算法利用社交网络信息对用户偏好进行建模,并进行推荐。然而,目前大多数推荐算法直接利用社交网络中的绝对信任关系来改进推荐性能,并没有考虑到用户对每个好友的信任是具有相对性和领域性的。在信任推荐模型中,如果考虑用户在不同的领域中信任不同的朋友,可以更准确地反映实际的推荐过程。因此本文提出了领域信任的概念,并提出了基于用户信任和张量分解的社会化推荐模型Trust TF,获得了更高的推荐质量。首先,根据项目领域类别将原有评分数据构建成用户-项目-领域的三阶张量,可以进一步挖掘出不同领域类别之间的交互信息;其次,从项目领域专家信任和项目领域用户相似度这两个角度提出了领域信任的概念,并对基于Page Rank算法的领域专家信任计算公式进行改进,以及基于用户-项目-领域三阶张量提出一种新的评分相似度计算公式;进一步,考虑到用户冷启动问题,在本文模型中引入社交信任,并通过设置推荐权重w_uvk,自适应地平衡领域信任和社交信任对用户间信任强度的影响,以此来避免因数据稀疏而导致的邻居不相似问题,从而提高推荐系统对邻居用户的识别能力,进而提高推荐的可信度;最后,将用户信任与张量分解推荐算法相融合,得到本文的最终模型,即基于用户信任和张量分解的社会化推荐模型Trust TF。本文在Ciao DVD数据集上进行了丰富的实验,并与多种前沿的算法进行了性能对比,实验结果表明本文提出的Trust TF模型对于评分预测推荐任务能得到鲁棒的表现,并能有效改善用户冷启动问题。