随着电子商务的发展，购物类互联网平台的逐渐成熟，网络购物这种购物方式逐渐被人们所接受。在商品极大丰富的今天，电子商务网站需要一种可以快速的并且准确的将符合消费者偏好的商品推荐给消费者的工具，因此推荐系统应运而生。推荐系统不仅可以帮助消费者提高决策效率、决策质量，也可以帮助网站提高利润、降低成本，因此具有非常重要的应用价值与研究价值。在学术研究领域，关于推荐系统的研究已取得了大量的研究成果，这些研究成果不仅可以提高推荐结果的准确性，而且对于消费者多样性的需求也可以很好的支持，但是，推荐系统能够实现其重要作用的前提是消费者信任推荐系统并利用推荐结果，所以本文针对如何设计推荐系统，才能让消费者感受到推荐系统在帮助消费者完成购买任务方面的仁慈性（Benevolence）、感受到推荐系统在帮助消费者提高购买决策质量方面的能力（Competence）、感受到推荐系统在坚持推荐原则方面的正直性（Integrity），从而信任推荐系统，进而实现推荐系统的预期作用而展开相关研究的。研究过程是以成熟的信息系统设计理论（Information System Design Theory，ISDT）的设计流程为依据的，具体研究过程及内容如下：本文首先通过理论推导，分析并构建了影响消费者对推荐系统产生信任的理论模型。该理论模型描述了消费者在与推荐系统不断深入的交互过程中逐渐产生信任的过程。根据任务技术匹配理论，分析了系统功能与消费者购买任务的匹配（需求认知支持、信息搜集支持、商品评价支持），对消费者初始使用意愿的影响；根据详尽可能性模型（Elaboration Likelihood Model），分析了消费者的积极参与，对于其理性认知及评价推荐系统的信任属性的影响；由于用户的良好体验与消费者的积极参与具有较强的相关关系，因此根据流体验理论（Flow experience），分析了系统的及时反馈、技能与挑战的匹配等特征对消费者的良好体验的影响；而消费者的良好体验又影响了其对系统的感知控制力及感知乐趣，进而影响了消费者对系统的感知易用性；最后与消费者对系统的感知透明性一同影响了消费者对系统的信任感知。在该理论模型的基础上，构建了系统的功能框架，详细分析了与理论相对应的功能模块。其次，针对推荐系统对消费者需求认知支持的问题，提出了基于商品网络成份分析及关联强度Q指标中间度分析的消费者需求预测方法。该方法将所有商品类型划分成若干成份，每个成份近似体现了消费者的一种主题偏好，并依据消费者需求具有相似性及连续性的特点，对消费者的需求进行预测。同时通过对中介作用强的商品类型进行推荐，可以使消费者最大程度的从当前所处的主题偏好集合迁移到另一个主题偏好集合中，从而为新颖性推荐提供理论基础。由于网络分析过程可以在线下完成，并且消费者的需求模式不会经常变化，因此可以实时的为网上消费者提供快速的、准确的并新颖的需求认知支持。第三，针对为消费者提供信息搜集及商品评价的支持问题，提出了基于消费者主观信任倾向分析的兴趣相似邻居寻找方法，及基于消费者消费水平的商品排序方法。该方法将消费者细分为相似用户、专家用户与可信用户，并通过分析不同类型的消费者对这三类用户的信任倾向，为目标用户寻找与其偏好相似的其他用户。该方法使得推荐的结果更符合消费者的偏好，提高了信息搜集及商品评价的准确性。在实践中，网站可以通过该方法提高消费者与推荐系统之间的交互体验，同时在交互过程中通过一定形式的反馈，让消费者认识到其与目标的差距及缩小这种差距的方法建议，以提高消费者的技能匹配其所面对的挑战，进而促进消费者对推荐系统产生良好的体验。第四，提出了一种缓解用户共同评价数据稀疏的方法。由于在实际电子商务中很难找到具有相同购买历史的两个用户，因此消费者共同评价项目的数据稀疏问题非常普遍，其严重影响了协同过滤推荐方法的应用。为了提高系统在数据极度稀疏环境下的适应性，文中在前面算法研究基础上，提出了基于商品互补性与替代性关系扩展消费者共同评价项目集的方法，经过验证，该方法能够在共同评价数据极度稀疏的环境下得到不失准确性的新颖性推荐结果。最后，让推荐系统自动地在恰当的时间给予消费者恰当的推荐结果及解释，是提高消费者对系统信任感知的重要手段，因此构建了个性化反馈Agent。设计的Agent在经典BDI Agent的基础上，针对设计的用户感知可信的推荐系统特征，对其核心组成要素，目标库、事件库、信念库及方案库的内容进行了详细设计，并通过对组成要素的之间的关系分析构建了方案选择策略。本文围绕用户感知可信的推荐系统设计问题，沿着理论分析—>系统设计与功能分析—>功能实现与验证—>推荐结果及解释的反馈设计这一主线对推荐系统进行了分析与设计，所提出的理论模型及推荐算法含有很多的全新设计思路和解决方法。一方面，提出理论模型从信任形成过程的视角描述了消费者对推荐系统从使用意愿到信任建立的发展过程，另一方面为电子商务开发用户感知信任的推荐系统提供了系统的整体上的理论框架。