随着Web技术的发展,网络数据量激增,“信息过载”问题凸显,个性化推荐系统很好地解决了“信息过载”问题。协同过滤算法在个性化推荐系统中得到了最为广泛的研究和应用,但仍然受到数据稀疏性的严重困扰,并且存在冷启动问题和易受攻击问题。随着社交平台的普及,网络上积累了大量的信任数据,将信任网络引入到传统的协同过滤算法中,为解决数据稀疏问题、冷启动问题和易受攻击问题提供了思路。本文深入分析了推荐算法的研究现状,将信任网络引入到协同过滤算法中,对协同过滤算法进行改进。首先,针对现有信任模型的不足,本文依据麦肯锡信任公式构建多元信任模型,融合基本信任度、可靠度、影响力和自我取向四个因素,增强了信任模型的全面性及合理性。其次,基于多元信任模型,本文提出了融合多元信任网络的协同过滤算法,算法通过综合考虑信任度和相似度产生最近邻。实验结果表明,该算法在准确度和多样性上得到初步优化,也初步解决了冷启动问题和易受攻击问题,但算法依旧受数据稀疏性的影响。最后,利用信任的可传递性和隐含性,对多元信任网络进行扩展填充,提出基于信任扩展的MT-CF改进算法。实验结果表明,改进算法在预测准确性和多样性上的表现取得了明显的优化,说明改进算法对数据的扩展是有效的,缓解了数据稀疏问题;另外,改进算法解决冷启动问题和易受攻击问题的能力也进一步得到增强。