伴随着电子商务的迅速发展,网络信息过载已经成为目前网络用户所面临的一个严峻的问题,推荐系统成为解决这一问题的一种有效手段,它根据用户或者商品的信息分析用户的偏好或商品间的联系,为电子商务用户提供个性化的推荐服务。根据采用的算法不同,推荐系统分为基于内容的推荐和协同过滤推荐。协同过滤也是目前最常用的一种个性化推荐技术。传统的协同过滤又分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤技术根据用户对项目的评分数据矩阵计算相似度,为目标用户匹配最近邻居,综合邻居的意见作为最后的推荐。由于用户的评分数据矩阵的稀疏、Cold Start等问题的存在,推荐的准确性受到了严重影响。一方面,当用户评分数据很少时相似度很难计算,同时,在共同评分数据很少的情况下,计算得到的相似度也存在一定的误差,另一方面,对于Cold Start用户来说,由于其评分数据很少,推荐系统无法为该用户提供很好的服务。本文根据传统基于用户协同过滤推荐系统中存在的几个问题,提出了在推荐过程中引入用户间信任关系的解决方案。本文提出了一种基于信任网络的协同过滤推荐模型,在推荐过程中将用户间的信任度与相似度有机相结合,提高了推荐的准确率。另外,本文提出了一种信任关系的传递规则,利用信任关系的传递为Cold Start用户匹配到更多的邻居,减轻了由于Cold Start用户的评分数据不足而导致系统对其推荐的影响。针对本文所设计的推荐模型预期达到的目标,在所选数据集上设计了三个不同的实验方案,分别进行了验证。实验证明,本文所提出的基于信任网络的协同过滤推荐模型在评分数据矩阵稀疏度很高的情况下能够有效地提高系统的推荐准确率。