个性化推荐系统建立在海量信息的基础上,通过数据挖掘技术为用户提供个性化的服务以及决策支持,能够满足不同用户的需求。个性化推荐系统的基础是社会网络,该系统根据用户的历史浏览信息和其喜好,学习用户感兴趣的内容,并将其可能感兴趣的信息推荐给他。本文在前人研究的基础上,通过分析社会网络中用户之间的信任关系,提出一种新的基于信任网络的推荐算法,并研究其中兴趣相似度与信任关系建立的相关度,将兴趣相似度引入基于信任网络的推荐算法,本文提出了三种引入方式。最后,通过实验对本文提出的四种算法进行验证。本人做的具体工作如下。第一,阅读大量相关文献,对推荐系统的相关研究进行深入了解,通过学习总结前人的研究经验,分析其不足,提出自己的设想。第二,提出了一种新的基于信任网络的推荐算法(NTCF算法),其中,提出一种新的信任关系分级方式,提出了一种新的预测评分模型。通过实验验证其相对于传统的CF算法以及Victor等人提出的Ensemble Trust CF方法推荐效果有所提高。第三,对兴趣相似度和信任强度进行研究,得出兴趣相似度与用户之间的信任强度有一定关联。第四,在得出兴趣相似度与信任强度关系的前提下,将兴趣相似度引入基于信任的推荐算法中,本文总共提出三种引入方式。第一种是将兴趣相似度作为预测评分模型的权重,形成新的引入兴趣相似度的信任网络推荐算法(NITCF算法);第二种是将兴趣相似度作为隐性信任信息,加入到用户信任集合中,以补充用户显性信任稀疏的评分矩阵,从而提高推荐系统的准确度以及覆盖率,即将兴趣相似度作为隐性信任关系的信任网络推荐算法(I_TCF算法);第三种是将兴趣相似度作为隐性信任信息,加入到用户信任集合中,然后将其引入本文提出的新预测模型中,形成通过兴趣相似度扩充信任评分数据的新基于信任网络的推荐算法(I_NTCF算法)。通过实验验证这三种算法在的推荐效果相对于CF算法、ETCF算法以及本文提出的NTCF算法都有提高。