互联网的蓬勃发展使得人们能够便捷的获取丰富的信息,同时也造成了非常严重的信息过载问题。自个性化推荐系统提出以来,就以其强大的能力和适应性得到了快速的发展与应用,协同过滤则是其中应用最广泛也是最成功的一种推荐算法。协同过滤推荐系统是基于特定领域中收集到的历史数据来给用户推荐其可能感兴趣的物品。由于评分数据的稀疏性及‘冷启动’问题,这类算法的效果往往也并不尽如人意。本文针对推荐系统中的两类数据,从多源迁移学习和利用社交信任关系的角度,改进相关协同过滤算法,从一定程度上缓解了上述问题造成的影响。以下是本文的主要工作及重点改进之处:1.设计了一种基于多源迁移学习的共享组级因子模型,解决了单源迁移学习因为源域的用户及项目数量有限,无法覆盖整个目标域的问题,同时能够自主学习得到不同源域与目标域之间的相关性系数。实验结果证明改进后的算法能够提升算法的预测正确率,同时能够减弱数据稀疏性的影响。2.研究了社交网络中用户间存在的信任关系,考虑到用户在信任网络中表现为两种角色,即信托者和受托者时受到不同用户的影响。基于奇异值分解模型从用户的两种角色出发,同时融合评分信息和信任关系中的隐藏信息,给出了一种基于两种角色信任感知的Dual-TrustSVD模型。随后结合近邻模型中的一些观点,引入项目间的相似性,设计了一种改进后的Dual-TrustSVDNN模型。最后的实验也证明了新算法提升了预测效果,也更适应“冷启动”环境。3.分析了信任关系在隐式反馈项目推荐中的作用,利用信任关系将目标用户的显示反馈信息进行了划分,解决了目标用户对于显示反馈项目偏好性不确定的问题,同时采用自适应抽样的方法解决了基于贝叶斯个性化准则的算法收敛速度慢的问题。在几个公开数据集上的实验证明了新的ATBPR算法将会在多个评价指标上优于原来的算法,收敛速度也将会明显加快。