近年来,随着互联网经济的异军突起,推荐系统的作用日益凸显,并成为研究热点之一。推荐系统通过研究用户的兴趣偏好和信息需求特征,将用户感兴趣的信息、产品等资源主动、智能地推送给用户,其优势相当明显：为用户节省大量搜寻时间的同时,也为商家带来了新的利润增长点。因此推荐系统被广泛关注,而且在理论和实践方面都得到了很大发展。然而,网络的迅速发展带来了网上信息量的大幅增长,使得传统的推荐系统根本无法满足用户的需求,在应用的过程中存在着冷启动、数据稀疏及扩展性等关键问题。在Internet飞速发展的形势下,基于信任的个性化推荐系统由于在传统的协同过滤推荐中引入了信任的机制,能够有效克服以上缺陷,提升推荐系统的性能,因此成为目前推荐系统研究的重要课题之一。然而,基于信任的推荐仍然几个问题：其一,信任网络的稀疏性。在推荐系统中,用户的数量往往是非常巨大的,而在系统实际的推荐过程中,用户之间直接交互的机会很小,因此这些有限的交易次数中所建立的直接信任关系也是很少的,与目标用户直接相关联的用户也相对很少,直接信任关系在推荐过程中能够起到的作用也是很小。很多基于信任的推荐算法仅仅利用了信任网络中的直接信任关系,没有考虑间接信任关系。其二,信任关系网络的动态性。在信任网络中,用户之间的信任关系并不是静态的或一成不变的,而是会随着时间或其他的事件发生动态的变化,信任关系的变化可能会导致推荐结果发生变化。因此,考虑动态信任网络对推荐过程的影响也是一个重要的研究方向。其三,推荐系统与信任模型的集成问题。大多数推荐算法是基于传统的概率矩阵分解模型,通过共享一个潜在的低维用户特征矩阵,去融合用户-项目矩阵与用户之间的社会关系,这种方法能学习到的有效特征很少,不能真实反应现实生活中的推荐过程。本文鉴于信任网络的特点及其在推荐过程中产生的问题展开研究,并在已有的研究基础上,提出一种基于信任扩散机制的推荐算法(DiffTrust+RSTE).本文的贡献如下：(1)我们根据经济学中的扩散理论思想,把信任看成一个动态的过程,即信任会随着时间和交互情境的变化而变化,同时考虑了时间、空间异构特征及遗忘因子等因素,在此基础上,设计了一种新的适合协同过滤推荐系统的信任扩散模型(DiffTust)。该模型充分利用用户之间的直接信任关系,基于一定的信任传播规则,推导出用户之间的间接信任关系。(2)把经过信任扩散后挖掘出来的更多信任信息融入到基于矩阵分解的协同过滤推荐模型(RSTE)中。DiffTrust+RSTE方法的特点是：一方面,通过DiffTrust模型为当前用户匹配到更多的信任用户,充分挖掘出更多新的用户之间的信任关系并用于推荐服务,完美解决了信任网络的稀疏性问题；另一方面,考虑到用户的最终购买决定受到两个因素的影响：用户自己对商品项目的喜欢程度和用户所信任朋友的推荐,并通过一组参数将这两个因素结合起来,这个考虑能够真正体现现实生活中的推荐过程。(3)我们利用三个研究数据(Epinions、Flixster、Douban)对本文提出的DiffTrust+RSTE算法进行了实验验证和对比分析,实验结果表明,相比于其他几种典型的推荐算法,DiffTrust+RSTE算法在各个评测指标(RMSE、Precision、Recall、FMeasure)上都表现得很好。此外,我们分析了本研究的不足之处,并提出了未来的继续研究方向。