互联网的普及带来了爆发式增长的线上网络信息,用户淹没在海量数据中,需要耗费大量的时间成本和操作成本才能在电子商务平台找到自己感兴趣的商品。推荐系统技术可以一定程度上改善这一问题。而随着社交媒体的繁荣,工业界电商平台开始借助用户的社交网络为用户推荐其可能感兴趣的商品,这也就催生了学术界基于信任的推荐系统。基于信任的推荐现有研究大部分使用单向社交网络数据,直接应用数据集的数据,关注信任沿着单向网络的传播与聚合,而忽略了两个事实:(1)用户的信任关系与其对项目的体验评价会随时间演变,并且二者互相影响;(2)为目标用户推荐项目参考信任对象的观点基于两者的兴趣相似的假设,那么为被信任用户生成推荐列表同样可以借鉴信任用户的体验评价。此外,如何提高冷启动用户和长尾项目的推荐质量是推荐系统亟待解决的一个问题。本论文的工作如下:1)考虑信任-评分随时间演化的双向效应,构建基于信任-评分随时间演化的双向效应模型(Bidirectional Effect of Evolutive Trust-Rating,BETR)。基于该模型,用户的评分因自身观点和信任朋友观点的影响而随时间变化,体现信任关系对评分的影响。同时,用户对可信用户的信任程度则由用户的信任程度和其与信任朋友的评分相似性确定,体现评分对信任关系的影响。2)将单向信任网络扩展为双向信任网络,提出基于双向信任的随机游走模型(Random Walk based on Two-way Trust,RWTT)。该模型在双向信任网络上进行随机游走预测目标用户的缺失评分,并生成推荐列表。在为目标用户推荐时,既考虑该用户信任对象的评分,也考虑信任该用户的其他用户评分。3)在信任网络中引入以目标用户为中心3跳或者6跳范围内的用户评分,改善冷启动用户和长尾项目的推荐效果。本文将BETR模型与随机游走模型、BETR模型与RWTT模型分别整合,两复合模型在Epinions冷启动用户数据集上进行实验,结果表明该方法有效缓解了冷启动问题。4)将BETR模型和随机游走模型、BETR模型和RWTT模型分别整合得到的两复合模型,在Epinions数据集上进行实验,结果表明考虑用户信任-评分的双向效应和用户间的双向信任确实有效改善了个性化推荐的性能。