个性化推荐系统是“数据大爆炸”时代下的产物。个性化推荐系统作为一个“信息过滤器”,能够“量身定做”地为用户提供精确度高、效率快的服务。目前,个性化推荐系统已经成功应用到图书推荐、影视推荐、美食推荐等多个领域。针对传统个性化推荐系统中存在的数据稀疏和冷启动问题,学者们进行了大量的深入研究。其中,奇异值分解（SVD）算法通过奇异值分解技术填充矩阵的缺省值,较好地缓解了数据稀疏的问题。SVD++算法是在SVD算法的基础上引入隐式反馈,有效地缓解了冷启动问题。随着社交网络的兴起,结合用户社交网络中的信任关系进行推荐逐渐成为研究热点。TrustSVD算法就是在SVD++算法的基础上引入信任关系,改善数据稀疏和冷启动问题。本文深入分析了TrustSVD算法。首先,TrustSVD算法忽视了推荐项目的时效性问题。每个项目都有自己的生命周期,有些很短比如新闻;有些很长比如经典电影。如果项目度过了流行期并进入衰退期,那么关注它的顾客会越来越少,它的推荐价值也会越来越低。由于TrustSVD推荐算法对已衰退的项目和流行的项目处理方式相同,可能会为用户推荐已经“过期”的项目,导致算法的推荐效果不好。同时,TrustSVD推荐算法将用户给出的显式信任数据用于评分预测,然而随着信息泄露导致网络诈骗盛行,用户越来越注重网络安全,并不会随意在网上公布自己的信息,比如对其他用户的显式信任反馈。因此用户间的信任关系存在着获取难、数据稀疏的问题;同时,显式信任只有0、1两个值,并不能很准确的模拟现实生活中用户间的信任程度;并且由于数值简单,显式信任还存在着大量的噪声。为了提高TrustSVD算法的推荐性能,本文主要做了以下几个方面的改进及研究工作:（1）项目的时效性表示。考虑到项目都有生命周期,对项目进行时效性度量很有必要。本文引入一个衡量项目是否及时的时效性指标,并在此基础上提出基于时效性的矩阵分解推荐算法,该算法有效地降低了为用户推荐过期产品的概率。（2）基于时效性和双信任机制的推荐算法研究。本文引入隐式信任解决显式信任数据稀疏的问题。传统的隐式信任计算方法,比如皮尔逊系数是从用户评分数据推断而来,而利用评分数据推断隐式信任很有可能存在着被恶意攻击的风险。因此本文将jaccard相似度和信任因子共同求调和平均得到隐式信任数据。jaccard相似度和信任因子的计算并不需要评分数据,这样的隐式信任更具有准确性。同时,本文引入双信任机制,对显式信任和隐式信任赋予不同权重,从而控制显式信任和隐式信任对于评分预测的贡献程度,改善信任数据的稀疏性。（3）本文在Epinions数据集和Ciao DVD数据集上进行改进算法和原始TrustSVD算法的对比实验。在Epinions数据集上,改进算法在对所有用户推荐的平均绝对误差最多降低1.49%,均方根误差最多降低1.33%;对冷启动用户推荐的平均绝对误差最多降低1.61%,均方根误差最多降低1.35%。在Ciao DVD数据集上,改进算法在对所有用户推荐的平均绝对误差最多降低2.21%,均方根误差最多降低1.88%;对冷启动用户推荐的平均绝对误差最多降低4.22%,均方根误差最多降低3.41%。实验结果证明本文改进算法在Epinions数据集和Ciao DVD数据集上的误差大幅降低,算法准确率提高,也验证了本文改进算法的有效性和可行性。