随着网上购物的日益盛行，推荐系统成为提高电子商务企业产品销售量的商业工具，也是许多用户越来越重要的辅助决策工具。互联网为用户开放了大量的产品和广告，从众多的产品中做出选择既浪费时间又麻烦，这引导了推荐系统的发展。推荐系统的典型工作是通过分析用户的兴趣模式为用户推荐最适合的产品。在电子商务领域采用个性化技术为用户交付产品可以缓解信息过载的问题，也可以减少客户的工作量，增加客户对企业忠诚的几率。研究人员和行业从业人员正在寻找所有可能的方法来改进推荐的性能，即使是一个小的改进也可能会带来大的商业回报。传统的推荐系统应用技术包括基于内容的推荐、基于协同过滤的推荐等多种类型。目前，协同过滤是最成功的推荐技术，被广泛的运用于实际应用中，如推荐音乐、书籍和电影。本文的重心研究工作和成果如下：①多方面深入研究推荐系统。分析它的分类、功能作用、组织框架、模块划分和对推荐结果的使用方式等等。详细介绍目前流行的几种推荐技术，分析各自拥有的优缺点以及介绍弥补单一推荐技术的混合推荐技术。②重点以协同过滤为中心做全方位的解析。分析传统协同过滤存在的一系列问题的原因和导致的后果，如数据稀疏、新用户等。将这些问题作为本文的出发点提出解决方案。③分析评分的不足。评分只能够表达用户对项目是否满意，表现不出用户对项目的内在兴趣，提出用户偏好度的概念来深度挖掘用户对项目的真实兴趣度。④传统协同过滤仅凭相似度来定位邻居用户，对系统性能有严重的负面影响。引入社会网络中的信任机制，从个体在社交圈中的主观信任和全局声誉角度出发建模。首先，分别考虑用户交互、评分差和用户偏好调节生成直接信任度。然后，利用声誉及专家信任优先模式聚合生成间接信任度，将两者动态加权形成用户之间的信任关系。最后，用参数协调信任和相似双属性，使用户关系更加紧密，有效的解决新用户和稀疏性问题。⑤将MovieLens作为实验对象，实现改进算法。将实验结果与传统算法和多种相关算法比较，经实证，改良后的模型颇有成效。