互联网数据的指数增长使人们进入了信息过载的时代。推荐系统能从海量信息中为用户筛选出相对有用且可靠的信息,从而成为缓解这一问题的有效方法。为了改善传统的推荐算法,研究者们尝试将社交网络中的信任关系引入其中,发现这种基于信任关系的推荐算法不仅能提供更准确的推荐,而且能使推荐系统变得更稳固。本文的研究工作就是针对上述基于信任关系的推荐算法展开的。论文首先将基于信任关系的推荐算法和基于用户的协同过滤推荐算法相结合,提出了一种基于专家动态生成的协同过滤推荐算法—DGECF。该算法首先通过计算用户之间的交叉性、信任性以及趋同性三项指标值和专家因子值动态地为每个用户挖掘出特定的专家数据集;然后将用户与所挖掘专家数据集之间的评分相似度和信任值相结合,并作为新的相似度;最后预测评分。在Film Trust和Epinions数据集上的实验结果表明,本文提出的算法精确率得到了明显的提升。在上述基础上,论文将概率矩阵分解技术引入DGECF,提出了一种基于信任关系的概率矩阵分解推荐算法—TRPMF。该算法首先通过DGECF计算用户之间的信任值,对信任关系矩阵中的未知信任值进行初次填充;接着利用DGECF预测评分,对用户-项目评分矩阵中的未知评分值进行初次填充;最后结合信任关系矩阵、用户-项目评分矩阵和概率矩阵分解模型进行预测评分。在Film Trust和Epinions数据集上的实验结果表明,本文提出的改进算法有效缓解了数据稀疏性问题,提高了推荐的精确率。论文最后将所提出的推荐算法应用到实际开发项目中,设计并实现了一个简单的电影推荐系统和对应的后台管理系统。