社会化服务是互联网上能够满足用户各类生活需求的软件服务,用户在使用社会化服务的过程中与其他用户一起形成了复杂的社会化网络。互联网的高速发展使得满足用户需求的候选社会化服务数量飞速增长,如何从这样大规模的服务集合中,有效的找到满足用户Mashup需求的服务,已经成为一个主要研究问题。服务推荐作为服务选择的重要方法和手段,可以帮助推荐合适的服务以构建高质量的Mashup应用。但现有的推荐方法中仍存在恶意推荐、数据稀疏、冷启动等问题。本文针对这些问题进行了研究,主要包含三个方面的内容:融合信任关系的社会化推荐、考虑时效性标签的可信混合推荐、基于用户画像和信任关系的社会化服务推荐。具体研究内容如下:首先,针对评分信息不可信而带来的恶意推荐问题,本文提出一种融合信任关系的社会化推荐方法。该方法在传统相似度的基础上融入社交信任度,设计社交信任度计算模型,根据用户间交互关系、推荐用户核心地位、连通路径等信息全面计算用户之间的直接信任度和间接信任度,把相似度和信任度结合进行推荐。实验表明,该方法可以很好的抵抗恶意推荐。其次,针对服务评分数据稀疏带来的推荐结果不准确的问题,本文提出一种考虑时效性标签的可信混合推荐方法。该方法在评分数据和信任关系的基础上加入标签信息,先对传统相似度计算中存在的问题进行了改进,然后根据标签时效性和用户对标签的偏好得到用户的标签评分相似度,把用户标签评分相似度与信任度结合来扩展可信邻居用户。实验表明,该方法提高推荐的准确性。最后,针对用户冷启动问题,本文提出了一种基于用户画像和信任关系的社会化服务推荐方法。该方法对标签库中的标签进行聚类,建立用户画像模型,利用新用户与老用户之间用户画像的相似度,把相似度高的老用户在考虑时效性标签的可信混合推荐方法中得到的推荐结果直接推荐给新用户。目标用户是老用户时,则可以直接使用考虑时效性标签的可信混合推荐方法对用户进行推荐。实验表明,该方法主要在前两种方法的基础上缓解了用户冷启动的问题。综上所述,本文为了有效缓解恶意推荐、数据稀疏和冷启动等带来的服务推荐结果不理想的问题,将信任关系、时效标签和用户画像等技术进行融合,旨在为用户提供可信的、准确的服务推荐结果,以支持为用户构建高满意度的Mashup应用。