进入大数据时代以后,网络上信息资源越来越多,特别是在用户无法明确自己需求的情况下,很难找到用户想要的东西,而根据用户的历史记录,个性化推荐系统可以进行数据分析,构建用户模型,主动对用户的需求进行判断,为用户提供其最可能感兴趣的信息,满足用户需求,提高用户的体验度和满意度。个性化推荐系统中应用最广泛的接受度最高的算法还是协同过滤算法。协同过滤算法,简单来说就是,通过利用相似的项目或者兴趣相近的用户(协同),删除掉可能不感兴趣的项目或用户(过滤),从而推荐用户很可能感兴趣的项目或用户。但是这种算法也存在一些固有问题,如数据稀疏性问题、冷启动问题等,会导致预测结果准确度不高、新用户无法预测等结果。对于上述情况,科研人员进行了很多研究,发现在推荐中加入社交网络在一定程度上能够缓解这些问题。因为社交网络包含丰富的社交信息,比如用户信息、用户间关系、位置信息等等,能够帮助我们更好地搭建用户特征模型进行推荐。那么怎样才能更好地利用用户的社交信息,并提供高质量的推荐呢?这是当前研究的热点,也是本文主要研究的内容以及目标。在本文中,我们首先讨论了对于用户间信任的度量方法,提出了基于共同好友和共同好评项目的混合信任度量方法,将简单的二值信任转化成能够区分信任度的非二值信任,并通过实验选择合适的权重来计算用户间的直接信任度;接着我们提出了基于相似度的半环信任传播模型,在信任半环的基础上,我们定义了二维的信任意见向量作为信任传播单位,并使用相似度作为可信度模型来完善原模型,在信任传播的过程中同时考虑用户的偏好,得到更加高质量的信任用户;最后,在FilmTrust数据集上,我们通过十折交叉验证得到的结果表明,改进的算法确实提高了推荐的准确性,能有效减少误差。