互联网和电子商务的快速发展使得信息爆炸增长,呈现信息过载状态。在这个背景下,推荐系统应运而生。协同过滤是推荐系统中应用较成功的技术之一,该算法根据用户项目评分矩阵进行预测,而矩阵通常非常稀疏,可能因为用户共同评分项目数太少而无法计算用户相似度,导致用户不能获得满意的推荐。从web1.0到web2.0的转变中,用户之间的交互逐渐增多。一些电子商务系统基于web2.0构建,用户可以对商品进行评分、评论,表达其对商品的观点。这使得系统能够更了解用户的想法,同时也加强了用户之间的沟通。因此系统同时提供了用户对用户的评价功能,用户可以对评论具有参考价值的用户建立信任关系,形成信任网络。本文将信任网络引入推荐系统中,将用户信任度取代用户相似度参与推荐。然而信任网络即用户信任数据可能比较稀疏,需要扩展信任网络,预测新的信任关系。因此提出基于扩展信任网络的推荐算法框架(Extended Trust-aware Network based Recommendation, ETNR)。针对二值信任网络：用户因为信任类似的用户而存在一定的相似性,提出GenTrust算法扩展信任网络；二值信任网络中信任值只有0、1,提出IndegreeTrust区分被同一个用户信任的所有用户。针对非二值信任网络：运用已被广泛应用的Slope One算法扩展信任网络。与其他一些算法相比,改进后的算法准确率有所提升。由用户相似度得到的推荐列表具有新颖性,而由用户信任度得到的推荐列表比较可靠。本文给出CombineList算法,整合得到的两个推荐列表,考虑用户对新颖性和可靠性的不同要求。