随着互联网与电子商务的快速发展,网络信息与资源正以空前的速度迅猛增长,信息过载问题越来越严重。如何帮助用户快速准确地发现其需要的信息成为大数据时代的热点问题之一。推荐系统正是解决这一问题的有效工具,它通过挖掘用户历史行为数据,为每个用户构建精准的偏好模型,并在此基础上主动为用户推荐可能符合其需求的信息。如今推荐系统面临着严重的数据稀疏和冷启动问题,而使用隐式反馈数据和引入社会关系可以有效地缓解这一问题。本文围绕基于信任和矩阵分解的社会化推荐算法这一主题展开,探讨如何充分挖掘信任关系来帮助用户更好地进行个性化推荐。分别提出了隐式反馈场景中结合信任与相似度的排序推荐算法和融合用户相似性和信任关系的概率矩阵分解算法。本文的主要工作如下:1)概述了本课题选题的背景、意义以及研究现状;阐述了推荐系统的基本定义、分类及各种类型算法的优缺点;介绍了社会化推荐算法,包括2种典型的信任度量方法与3种矩阵分解算法,为本文的研究提供理论基础。2)现有的推荐系统大多仅使用显式反馈评分数据进行推荐,因此面临严重的数据稀疏和冷启动问题。针对这一问题,本文从排序的角度提出了一种隐式反馈场景中结合信任关系与相似度的推荐算法,研究信任关系与相似关系对排序结果的影响。首先度量受信度与相似度的综合权重取代原始二值信任关系,其次加权平均信任邻居的特征矩阵以构建用户特征矩阵和解决信任传播问题,最后直接优化用户对项目的偏序关系得到候选推荐项目的排序结果。本文还研究了新用户初始信任度量问题,将新用户连接进信任网络以缓解新用户冷启动问题。实验结果表明该算法取得了比基准算法更优的推荐效果并能够有效缓解数据稀疏和冷启动问题。3)针对基于信任的推荐算法大多没有区分信任关系的强度,以及只考虑单一的相似关系或信任关系问题,本文提出一种根据用户行为特征融合用户相似度和信任度影响的概率矩阵分解算法。首先根据初始信任网络创建全局信任度,并通过信任传播机制度量用户间最大传播距离范围内的局部信任度,其次协调两者构建最终信任网络并生成信任邻居集,最后在用户自身行为特征平衡下,与传统的相似邻居集共同修正用户特征矩阵并融入概率矩阵分解模型形成高效可信的推荐模型TSPMF。公开数据集上的实验结果表明,该模型在提升推荐精度方面取得很好的效果。