随着网络中的信息资源不断地积累和扩充,用户越来越难以搜集到自己所需要的数据。推荐系统缓解了信息过载问题,有效地挖掘信息资源,并主动推送给用户。目前推荐系统中应用最广泛的协同过滤推荐算法,存在冷启动问题。近年来,社交媒体的迅速发展,使得研究者可以通过引入信任关系数据来解决冷启动问题。在缺乏充分的用户评分数据的情况下,参考信任用户的物品评分为用户预测评分。算法的关键在于如何有效利用信任关系数据,从而提高推荐效果。本文在传统基于用户的协同过滤推荐算法基础上,对在社交媒体环境下基于信任关系的协同过滤推荐算法进行研究,并提出了自己的改进算法。论文的研究工作主要有如下三大部分:(1)通过深入挖掘和有效利用信任关系数据,提出一种改进的基于信任关系的协同过滤推荐算法。针对推荐算法中存在的信任度评估模型不完备,将社会信任网络数据和用户评分数据中的潜在信任度挖掘出来并合成到原有信任度评估模型中,得到一种新的信任度。该潜在信任度具体表现在社会信任网络数据中的共同信任用户占有率、用户评分数据中共同评分物品占有率。然后将新的信任度应用到基于信任关系的评分预测模型中,得到更为准确的推荐结果。(2)为了进一步提高推荐准确率,克服一般混合推荐算法中存在的静态性缺点,提出融合相似用户和信任关系的动态反馈协同过滤推荐算法。该算法用动态因子融合相似用户和信任关系。动态因子初始取随机数。根据用户反馈和系统预测的误差建立正负反馈机制。按照反馈类型,选择增值或衰减函数适当调整动态因子,以便系统更好预测用户评分。(3)采用真实数据集Epinions,对本文提出算法进行实验验证,包括实验设计和实验结果分析。通过对比实验结果,本文提出的基于信任关系的改进算法在提高推荐准确率的同时,又不会因为引入新的信息导致对原有推荐算法覆盖率产生干扰和破坏。采用正负反馈的动态融合算法,不仅克服了一般混合推荐算法的静态性缺点,而且较基于相似用户或者信任关系的推荐进一步提高了推荐准确率,同时保证推荐的覆盖率。