目前,广泛应用的推荐系统是基于协同过滤的推荐系统,其原理是寻找与目标用户相似的用户,以这些相似用户的喜好为基础生成目标用户的喜好;其优点在于系统只依赖于用户对商品的评价,因而所需的输入信息较少,但是协同过滤推荐系统也存在一些问题,比如新用户问题、新项目问题以及数据稀疏问题。结合信任网络的推荐系统可有效解决这些问题,信任推荐系统在传统推荐系统的基础上引入了用户间的信任关系,通过信任关系搜索被目标用户信任的用户,并以这些被信任用户的喜好为基础生成目标用户的喜好。目前基于信任的推荐系统假设信任是无条件可传递的,系统会搜索与目标用户有信任关系的所有用户,一个推荐系统中往往有成千上百万的用户,如果搜索所有与目标用户有信任关系的用户势必会在一定程度上降低推荐系统的性能。为进一步提高推荐算法的性能,我们分别提出了两种结合信任的推荐算法。首先,提出基于信任条件传递与聚合的推荐算法,称为“信任流聚合算法(SMTrust)”。算法引入有条件的信任传递对信任搜索路径进行过滤以更准确地找到推荐用户并且提高了算法搜索效率,同时算法中引入奖惩机制,将推荐用户分为优质推荐者和劣质推荐者,算法根据推荐效果分别对优质推荐者进行奖励,对劣质推荐者进行处罚。通过奖惩机制,进一步提高了算法的准确率。针对覆盖率和准确率指标进行了实验,与传统协同过滤算法以及主流的基于信任的推荐算法进行对比,结果表明算法在覆盖率及准确率两项指标上都有进一步的提升。其次,基于目前主流的矩阵分解算法,尝试将用户之间的信任关系融合到矩阵分解算法的目标函数中,提出了一种结合信任网络的矩阵分解算法(TNMF)。算法针对准确率指标进行实验,并与其他推荐算法进行实验对比,结果表明算法在准确率指标上有进一步的提升。