传统的协同过滤推荐算法使用用户的历史数据进行推荐,容易面临数据缺失和稀疏等问题。基于模型的协同过滤算法大大缓解了这些问题,矩阵分解协同过滤算法就是其中之一,同时,结合其他数据例入用户社交信息来解决数据缺失问题也被证实有着较好的改善效果。本文从结合社交信任的矩阵分解协同过滤算法出发,研究了使用用户信任关系缓解稀疏数据问题中的用户冷启动子问题。TrustSVD算法作为基于信任的矩阵分解推荐算法,其将信任信息通过重表示与共享矩阵两种方式融合在算法模型中,使其结果较其他同类算法更为精确。但算法仅考虑了用户间的直接信任关系,且未考虑信任的动态传播特性。本文选择从对信任传播的研究出发,通过加入用户之间的弱连接信任关系丰富了稀疏的信任数据集,并基于信任的度量对用户进行了更加深入的挖掘。本文完成了以下两部分工作:(1)基于弱连接信任提出改进的W-TrustSVD算法:通过在用户直接信任关系集上加入信任的间接传播考察,构建用户弱连接信任定义,丰富用户信任集的同时,合理地构建信任的综合度量方法,并按综合信任度量以比例筛选构建出的最终用户弱连接信任集合。通过加入弱连接信任集合对W-TrustSVD算法的进行优化,以改进预测结果。在公开数据集上的实验结果证实了W-TrustSVD算法的有效性;(2)基于用户信任关系和历史行为中的偏好,提出基于加权随机游走的矩阵分解推荐模型,通过随机游走模拟用户信任的传播模式:对用户-物品与用户-用户两部分网络进行线性加权结合以综合信任数据与评分数据;基于用户的信任偏好和评分偏好定义游走权重对综合网络图的边进行加权,最终计算随机游走结果筛选用户信任集合,进行个性化推荐。模型在真实数据集中有良好的表现。