随着互联网技术的日益发展,社交网络、电子商务、各种应用蓬勃发展,但是海量数据信息在满足用户需求的同时也造成了信息过载问题,迅速找到有效且合理的信息越来越困难,个性化推荐技术作为解决信息过载问题的手段之一,能够根据众多的历史交互行为分析用户的兴趣偏好,向用户提供其可能感兴趣的信息,辅助用户决策。协同过滤技术作为使用最成功和最广泛的推荐技术之一,至今仍面临着数据稀疏性和冷启动等问题。社交网络的发展给推荐技术带来新的方向,将社交网络中好友关系引入传统协同过滤方法中,通过信任机制进行衡量,能够有效改善数据稀疏性等问题,提高推荐精度,成为目前研究推荐技术的重要方向之一。本文以改进协同过滤技术为目标,致力于改善数据稀疏性、冷启动等问题,提高推荐系统的推荐精度。首先将社交网络中的“信任机制”,即“用户信任的好友能够给用户带来一个正向的推荐结果,是经过对交互历史的考虑之后判断可能会产生的一种有利结果”引入到协同过滤技术中,在用户-项目评分矩阵和用户间的信任矩阵的基础上,充分计算用户间的间接信任度以填充信任矩阵,最后基于用户相似度和信任度的三种预测方式的比较提出一种基于信任机制的协同过滤推荐模式。为了进一步优化这种方法,先后融合用户兴趣偏好和关联规则算法,前者通过用户间的兴趣相似性对目标用户的好友进一步过滤,后者挖掘项目间的潜在相关性,与协同过滤进行混合推荐,解决新用户推荐问题。此外,本文提出的推荐模式均在FilmTrust网站公开数据集上进行准确性等实验研究,结果表明此方法能够有效改善冷启动问题,提高推荐精度。最后分析了研究模型的不足之处和未来继续改进的方向。