近几年来,互联网迅猛发展,电子商务保持着持续增加的趋势,信息量不断增长,并且出现过载的现象,因此电子商务在进行运营过程中面临着巨大的挑战。为了解决这一难题,电子商务推荐系统应运而生,而且随着在线社交网络的发展,在电子商务注册的用户中很多存在着社交关系,这些社交关系能够对推荐系统带有很多帮助,可以改进传统的推荐算法当中出现的问题,比如“稀疏性”问题、“冷启动”问题和“可扩展性”问题等。本文针对个性化推荐算法进行了研究,综合考虑了用户之间的信任关系。首先就研究背景、研究目的和研究现状进行了综述,对相关研究的理论进行了概述,在此基础上提出了本文所研究的问题。第一,对社交网络进行了挖掘,运用链式理论,利用社交网络中用户之间的联系频率来表示用户之间的信任度,分别讨论了在确定性信息和不确定信息下的处理方法,针对不确定性信息利用不确定理论的有关方法求得信任度;第二,对社交网络中用户之间的相似性进行了挖掘,主要考虑用户所关注的特定标签和用户对项目的评分两个方面,通过Pearson相似性方法计算用户之间的相似性;第三,对用户-项目评分矩阵进行挖掘,在电子商务个性化推荐过程中,兴趣度是衡量一个用户对产品行为数据中非常重要的一个参数,但是在实际中,用户-项目评分数据往往是缺失的,所以需要把缺失的数据预测出来,本文利用改进的矩阵分解算法对缺失数据进行预测;第四,构建个性化推荐神经网络算法,本文用当前用户对当前项目的相似性用户个数、平均相似性、信任用户个数、平均信任度、用户-项目评分矩阵为输入变量,以当前用户对当前项目是否购买为输出变量进行算法的设计。最后通过算法验证本论文所提出算法的有效性,通过对1048576数据进行实验,得出精度较高的推荐结果,具有一定的进步意义。