随着互联网的蓬勃发展,电子商务的虚拟购物环境既为企业提供了新的发展机遇,也给用户提出了如何处理Web商品信息过载问题的挑战,推荐系统作为个性化服务的一种方式,能够向用户推荐其感兴趣的项目,辅助用户作出决策,成为用户网上购物的有力助手。自20世纪90年代首次出现推荐系统以来,对此领域的研究虽然也取得了非常大的进步,但传统的协同过滤推荐技术依然存在着数据稀疏性、冷启动、“托”攻击、黑匣子和伸缩性等多个难以克服的问题,而在Web社会网络迅速发展的形势下,基于信任的电子商务推荐系统由于在传统的协同过滤推荐系统中引入了信任机制,能有效改善或克服以上缺陷,成为目前推荐系统研究最重要的课题之一。围绕着如何提高用户对推荐系统的推荐满意度,本文对电子商务环境下基于信任的个性化推荐系统的若干关键问题进行了有益的探索和研究。论文首先系统地综述了目前国内外在个性化推荐领域的理论研究和发展现状,重点分析协同过滤推荐方法的优势和存在的研究热点问题,继而从网络信任的定义和特性出发,对当前多种信任度评估模型的特点进行了深刻分析,在此基础上,作者提出了基于信任的个性化推荐系统的一般模型和形式化表示方法,探讨了新系统的框架结构;接着本文以如何提高用户对推荐系统的推荐满意度为主线,分别对用户多兴趣下基于信任的个性化推荐算法、推荐列表的多样性和推荐系统的推荐攻击问题进行了系统的研究。本论文的研究创新主要体现在以下几个方面:(1)借鉴传统协同过滤系统的基础模型以及Web社会网络的特点,提出了基于信任的电子商务个性化推荐系统的一般模型,该模型具有很好的包容性,可以扩展出不同的推荐算法。(2)在分析了目前概貌级信任模型不适合用户多兴趣情况下项目推荐的基础上,提出了基于主题级信任模型的协同过滤推荐算法,并通过实验验证,新算法能有效解决多兴趣问题。(3)提出了基于信任的推荐多样性算法,该算法通过选择主题多样的信任邻居来平衡推荐结果的准确性和多样性。并通过一系列的实验结果表明,该算法能有效地提高推荐的多样性。(4)在对信任传递可能引起的恶意攻击形式进行分析的基础上,提出了用数据起源法来追踪恶意用户,进而把恶意用户限制为不信任用户的防御方法。