随着线上用户需求的增加,推荐系统应运而生。协同过滤推荐算法是推荐系统中应用最广泛的算法,但传统协同过滤推荐算法存在着数据稀疏及冷启动问题。为了解决这两个问题,研究人员尝试融合信任信息来对用户进行推荐,由此出现了基于信任的推荐算法。基于信任的推荐算法整合了用户的兴趣偏好和社交关系信息,在推荐准确性和鲁棒性等指标上都有更好的表现,但却存在信任数据稀疏和信任关系不可靠等问题。针对信任推荐存在的问题,本文从信任建模以及信任度量两方面提出了解决方法,具体的研究内容如下。本文首先分析了协同过滤推荐算法的研究现状,总结了协同过滤推荐算法依旧存在的问题以及国内外研究人员相应做出的改进研究,同时对基于信任的推荐算法进行了详细的介绍。其次,针对数据稀疏和信任形式单一的问题,将信任矩阵作为评分矩阵的补充,引入奇异值分解模型,同时考虑目标用户信任与被信任的关系,在评分预测模型中融合受信用户与施信用户两方面的影响,并通过对目标函数进行优化处理学习得到最佳模型参数。以期充分地利用评分与信任信息更好地构建推荐模型,提高预测准确率。再次,针对信任关系不可靠的问题,通过考虑项目反馈度对皮尔森相似度算法进行改进,并根据改进后的方法对初始信任关系进行过滤去伪。并通过信任的传播与聚合机制,考虑信任衰减的影响,找到更多权重不同的信任邻居,对信任关系进行量化扩充。以期得到具有可靠信任度的信任关系,为用户带来更好的推荐。最后,分别将本文所提两种算法在真实的数据集中进行实验验证。结果表明两种算法能够有效提高预测评分的准确率。