随着移动互联网的发展以及智能手机的普及,人们在享受科技带来便捷的同时,信息过载问题变得日益严峻。如何帮助用户从海量的数据中,准确挑选出用户感兴趣的信息推荐给用户,这就是推荐系统所要解决的问题。在线购物或点评网站如Amazno、Epinions的快速兴起,使得这些服务提供商所获取数据的稀疏性和分散性问题变得日益严峻。这就会导致根据这些稀疏分散的数据所进行的相关推荐,准确性和推荐质量都会严重下降,使得用户无法获得满意的推荐结果。而传统的推荐方法如协同过滤方法,具有一些固有的问题如冷启动,推荐效率和准确度不高的问题。并且当用户和项目规模增加时,协同过滤算法的推荐性能下降很快。由于传统推荐算法的不足,需要改变已有的推荐方式并引入新的数据源来提升算法的推荐质量,提高系统的推荐性能。另一方面现有的推荐算法只能根据用户的所有历史反馈信息进行挖掘,预测用户的偏好。而这些反馈信息是融合在一起的,并没有先后次序之分,算法忽略了用户的短期的偏好,只考虑了用户的长期偏好。众所周知一个人的某些偏好并不是一成不变的,而是会随着时间的推移而改变,所以挖掘出用户的短期偏好对于推荐系统来说尤为重要。针对传统推荐方法的不足以及为了更准确的挖掘出用户偏好,本文主要从以下两个方面进行研究:(1)研究基于社交信任聚类的推荐算法,一方面社交信任关系能体现出用户间的相互影响以及共同的兴趣爱好。另一方面由于传统推荐算法具有冷启动问题,而融合社交信任的算法能有效解决该问题。本文首先根据用户-项目评分矩阵对所有用户进行相似度计算,同时根据用户之间的信任关系对用户进行聚类分析,可以得出用户和类的隶属度矩阵。再提出依据隶属度矩阵计算出用户间的信任值的方法,最后对用户相似度和信任值线性结合进行推荐。在Douban和Epinions数据集上的实验结果表明,与传统的基于CF、基于信任和用户项目聚类的推荐算法相比,该算法能够大幅度地改进推荐质量,提升算法的时间效率。(2)研究融合社区发现的马尔可夫序列推荐算法,首先根据用户社交关系对用户进行社区划分,将被划分一个社区内的用户视为相似用户。同一个社区内的用户共享一个转移概率矩阵,而某个社区的转移概率矩阵计算,依赖与这个社区内所有成员的历史记录。这样既能够解决项目间转移矩阵数据稀疏问题,又能提高算法的时间效率。并且本文将遗忘属性融合到个性化马尔可夫转移矩阵计算中,能够在更进一步解决数据稀疏的同时,使得推荐结果更加的个性化与合理化。由于马尔可夫模型只能挖掘用户短期偏好,为了挖掘用户的长期偏好,本文使用了项目的相似性方法。这样融合用户长期与短期偏好的个性化马尔可夫模型的推荐结果将更加符合用户实际需求。在Ciao和Epinions真实数据集上的实验结果表明,与其它算法相比该算法能够有效提高推荐质量。