随着Web2.0技术的迅速发展，电子商务平台的激烈竞争成为了当下互联网业界重点关注的问题，因而在此环境下，推荐系统的研究越来越受到各界研究者的关注。本文以社会网络环境为背景，将信任关系引入推荐系统，从而实现更准确的推荐效果，具体如下:首先，预测社会网络中个体间的信任关系。每个用户都有各自的属性特征，因而从用户的属性特征入手，根据用户个体数据定量分析用户的属性，综合所有属性归结为4个属性证据；采用离散化方法将定量的属性离散为定性的属性，即给出属性证据的定性分析；在定性的属性证据基础上建立属性识别框架，通过隶属度原理为证据分配信任度，然后搭建合成模型，实现用户间的信任关系强度预测，预测结果是一个三元组而非传统的一个数字。然后，在推荐系统中引入社会关系，实现社会化推荐。首先形象化的介绍推荐系统模型，同时详细地描述各类推荐算法，并给出推荐系统的评估准则。然后为了解决现有推荐算法的冷启动问题，本文将用户分为活跃用户与不活跃用户，针对这两种用户分别构建推荐模型；为了解决用户-项目矩阵的稀疏性问题，将信任关系引入推荐系统，信任关系是综合了用户几乎全部的属性融合而成的结果，因而比仅凭相似度构建用户-项目矩阵更具有权威性和可靠性，有效的解决了稀疏性问题，同时也提高了预测的准确性。最后，针对于社会网络中信任关系的预测与社会化推荐分别进行实验。在信任关系预测过程中，首先针对于属性证据的充分性进行验证，然后采用七重交叉验证的方法验证信任预测结果并且采用机器学习的其他的方法与本文方法进行对比，实验证明了本文提出的信任融合模型的可行性与可实现性。在社会化推荐实验中，根据推荐系统的评估准则，分别对活跃与不活跃用户的推荐算法进行实验，采用传统的协同过滤算法作为对比实验，对比结果证实了本文提出的基于信任的推荐方法具有较高的查准率与查全率。