近年来,随着在线社会化网络的高速发展,社交网络上各种记载信息的数量急剧增加,用户要想从浩瀚如海的数据中获取所需要的信息变得愈加艰难,为了满足用户对个性化服务的需求,各种推荐系统油然而生。现有的社会化网络推荐方法只融入了用户间直接的信任关系,缺乏对用户间的间接信任关系、时间序列信息及数据稀疏问题的考量,使得推荐效果不理想,不能有效满足用户的要求。针对上述问题,本文重点研究人与人之间的信任信息、时间信息对社会化网络推荐方法的影响,在此基础上提出两个新的推荐方法来优化推荐效果,提高用户的满意度。本文主要工作如下:(1)针对社会化网络中基于信任的推荐存在的问题,本文综合考虑用户之间的直接信任关系、间接信任关系及相似度等信息,提出一个基于信任感知的社会化网络推荐改进方法,该方法将用户之间的相似度和信任关系融合到概率矩阵分解模型中,对目标用户的信任用户及与目标用户有相似偏好的用户进行潜在因子特征分析,缓解数据稀疏的问题。(2)为了进一步提高社交网络中基于信任的推荐算法的准确度,本文综合考虑用户-物品评分矩阵、用户间的直接信任、间接信任以及时间序列等信息,提出了一种改进的融合时间序列的信任感知推荐方法,该方法把用户之间的信任关系和物品之间的影响关系信息融合到矩阵分解模型中,学习用户和物品的潜在特征向量,有效提高了推荐效果,缓解了推荐系统中的冷启动问题。本文通过实验对提出的两种社交网络中的信任感知推荐方法的性能进行综合评测。实验结果显示,本文提出的基于信任的社会化网络推荐方法与现有的基于社会化网络的推荐方法相比提高了推荐准确度,具有明显的优越性。