互联网的快速普及给人们的社交提供了新的平台,带来了极大便利,也为用户提供了指数增长的海量信息。用户在社交媒体中既是信息的消费者也是信息的生产者,如何在庞杂的数据中获取有效信息成为一大难题。推荐系统能够利用过滤技术,主动式为用户提供切实有用的内容。此外,通过用户的持续协同作用,不断迭代更新的社交网络可以帮助用户找到更为准确的信息和更具可行性的方案。传统的推荐算法已经在学术界和工业界得到广泛应用,近年来推荐算法与社交信任网络的成功结合,为各界创造了更大的价值。但推荐也存在一些问题,如推荐精度低,社交信任关系稀疏和冷启动等。因而,如何利用社交信任关系为用户提供更精准的推荐有着重要的研究意义。本文针对现有问题和挑战,对基于用户信任关系的个性化推荐算法进行深入研究,主要工作内容如下。（1）提出了基于有向信任的概率矩阵因子分解推荐算法。互联网中社交网络的形成依赖于用户信任关系的建立,信任关系也是影响推荐结果准确性和可靠性的重要因素。然而信任关系的建立是一个有向的过程,在这个过程中的两个用户分别担任不同的角色:信任者和被信任者。用户在担任不同角色时的特征偏好也各不相同。有向信任能够帮助算法进一步准确描述用户的特征偏好,提升推荐性能。本文考虑到用户中的信任者和被信任者两个角色,首先,应用概率矩阵分解的方法对信任矩阵进行分解,获得用户在不同角色时的潜在偏好,并重新计算用户间的信任强度。其次,在显式信任关系的基础上进一步分析用户分别作为信任者和被信任者时的潜在偏好,挖掘潜在信任关系使关系更加精细化,增强了算法的表达能力。在Film Trust和Ciao数据集中的实验结果表明,提出算法的性能相较于已有算法有明显提升,可以更好的缓解数据稀疏和冷启动问题,提高了推荐准确率。（2）提出了基于图神经网络的异构信任推荐算法。信任关系在评分推荐中可以很好的提升推荐性能,评分推荐的研究重点是从用户的历史交互信息和边信息中有效的学习用户和项目表示。图神经网络应用在各个领域并且表现优异。评分推荐中的信任关系、评分关系等都具有图结构。本文将图神经网络加入到推荐当中,使算法能够高效的学习用户和项目的特征表示。其次,通过挖掘用户间的不同潜在信任关系,构成异构信息网络进行节点的表示学习,对推荐结果进行优化。本文在信任有向性的基础上进一步捕捉用户的有效信任关系,在Yelp和Flickr数据集中的实验表明,提出的算法在HR和NDCG指标上有明显提升,更好的挖掘了异构信息网络中的潜在联系,提高了算法的性能。本文从上述两个方面对基于信任关系的推荐算法进行研究,在真实数据集上的数据分析和实验结果表明,信任关系能够更好的反映社交影响,对用户的潜在兴趣偏好有着重要表征作用。考虑了用户信任关系的推荐算法能够取得更精准的推荐结果。