电商平台和网络社交媒体的快速发展，让我们的生活更加丰富多彩，获取信息也更加方便，但是随之而来的是信息过载给我们上网所带来的巨大影响。而推荐系统则在一定程度上减轻了目前信息爆炸的问题，也可以有效的帮助人们更加迅速的寻觅到他们所需的信息。但是，数据稀疏和冷启动等问题会对推荐的质量造成较大的影响，如何克服这两个问题也成为了诸多学者研究的目标。
　　已有研究表明利用信任信息可以在一定程度上解决数据稀疏和冷启动的问题，但是现有的推荐算法对于信任关系的处理，无法同时满足信任的非对称性、传递性、衰减性和多路性。将信任关系与个性化推荐系统相结合也能够获取较好的推荐效果，但是在现有的个性化推荐算法中，仅通过信任关系或是用户相似性来为目标用户筛选值得信任的朋友，却没有将用户信任和用户相似性有效结合，这在一定程度上会对推荐的精度有所影响。将意见领袖与推荐系统相结合也可以较好的因对数据稀疏和冷启动所带来的问题，但是已有的此类推荐算法中对于意见领袖的筛选还比较草率，如仅通过3个或是更少的评价指标来进行筛选，且在筛选的过程中并未考虑这些评价指标的权重，这些问题可能会导致此类算法并不能获取足够高质量的用户来充当意见领袖，进而影响推荐的准确率。
　　针对现存方法存在的不足，本文主要从以下三个方面进行研究:
　　(1)本文提出了一种基于社交信任的矩阵分解推荐算法。在该算法中，本文通过电路学的启示，设计了一种新颖的信任电路算法，该算法能够将社交网络中的信任关系转化为电路，并通过节点电压法计算用户之间的信任值。然后将信任值与矩阵分解算法相结合，来为目标用户进行更加精确的推荐。在Epinions和Douban两个数据集上的实验证实本文所提出的方法具有更准确的推荐效果，同时也能很好的解决用户的冷启动问题。
　　(2)本文提出了一种基于可靠朋友的个性化排名推荐算法，该算法通过信任电路算法来计算用户之间的信任值，并将用户之间的信任值与用户相似度相结合，来为目标用户获取更为可靠的朋友，然后本文将这些可靠朋友所交互过的项目进行了更加细致的分类，以计算目标用户交互不同项目的概率，最后通过实验证实了本文所提出的算法具有更高的推荐准确率，对于冷启动用户也有较好的推荐效果。
　　(3)本文提出了一个基于意见领袖的协同过滤推荐算法，在该算法中首先对用户所在的社区进行划分，然后采用用户可信度、评分公正度、评分多样性、评分活跃度和社交活跃度这五种评价指标来对意见领袖进行筛选，以求获取更高质量的用户来为目标用户进行推荐。本文采用了两种不同类型的用户相似度计算方法来对冷启动用户和非冷启动用户分别进行处理，最后通过实验证实本文所提出的模型要明显优于现有的其他方法，尤其是对于冷启动用户，本文的模型可以获得更加优异的推荐效果。