随着网络和信息技术的快速发展,网络上商品信息、交易信息、社交信息等一系列的数据井喷式地增长,用户难以在有限的时间内获取符合自身需求的信息,“信息过载”的问题愈发突出,为了应对这种问题,推荐系统应运而生。自上世纪九十年代诞生以来,推荐系统已经建立了比较完善的理论体系,推荐算法的种类也是纷繁多样,具体有基于内容的推荐算法、基于协同过滤的推荐算法、基于关联规则的推荐算法、基于知识的推荐算法以及混合推荐算法等。协同过滤是推荐算法中的热门研究方向,通过挖掘反映用户兴趣偏好的评分数据进行推荐。协同过滤算法可细分出基于邻居的协同过滤与基于模型的协同过滤两个分支,其中,基于模型的协同过滤中最主流的方法是矩阵分解,本文便是以此为基础,将关系网络与协同过滤算法结合,介绍了结合显式关系网络的光滑邻域推荐算法,该算法利用核函数从特定用户、项目网络上的协变量取得邻域信息,可以有效解决评分数据的冷启动问题,同时,算法采用分而治之的交替最小二乘计算策略来提升运算效率。针对显式用户关系网络存在的稀疏性和用户关系刻画不充分的问题,本文引入了信任传播模型,希望通过信任度推断构造出反映用户间信任度的网络结构,将其作为隐式用户关系网络以替换原本的显式用户关系网络,再将其与光滑邻域推荐算法结合实现改进。最后,本文将几类传统的协同过滤算法与分别结合了显式及隐式网络结构的两类协同过滤算法在模拟数据集与实际数据集上进行实验。在模拟数据集上通过设定不同的缺失率与冷启动率来模拟不同程度的数据稀疏性与冷启动问题,同时人为构造出用户间与项目间的关系网络结构供算法使用;实际数据集选择了来自Last.fm的在线音乐数据集,该数据集面临严重的稀疏性与冷启动问题,且提供了构造出用户间与项目间关系网络的信息,符合本文研究需要。实验结果表明网络结构的引入会使协同过滤算法的性能得到提升,有效解决冷启动问题且表现更加稳健;本文改进的光滑邻域推荐算法性能大部分情况下优于比较的同类算法。