社会网络是一种关注个体成员之间的互动和联系的关系体系结构。随着网络信息技术的发展和广泛应用,在线社会网络蓬勃涌现,浩如烟海的信息使人们越来越难以从中精确地获取自己感兴趣的内容。搜索引擎的出现在一定程度上对信息过载问题进行了缓解,而推荐系统则是与之互补的另一个关键解决手段。迄今为止,业界最广受好评的推荐系统采用的是协同过滤推荐技术。然而,协同过滤算法本身存在着数据稀疏、冷启动及易遭受攻击等固有问题,因而难以应对膨胀的社会网络这一应用场景。目前在线社会网络下的推荐系统面临着一系列挑战：推荐准确度与推荐反馈时间之间难以平衡；在线社会网络系统体系结构复杂；大数据环境下难以计算全局信息。因此本文引入社交网络中的信任关系,并基于信任关系构建新的推荐机制以期解决上述问题。在推荐准确度与实时性问题上,本文基于社会网络中的局部信任关系设计推荐机制,使得在实际应用时用户只需要获知自己的周围邻居的局部信息,实现了分布式计算的可能,而本文提出的动态信任模型也提高了机制抗攻击性的能力,解决了协同过滤技术在这方面的局限性。此外考虑到社会网络符合幂律分布的特性,本文对其中的意见领袖所特有的影响力对新用户的影响进行了研究,使设计的推荐机制为新用户的冷启动问题带来了一定缓解。本文基于社会网络环境中数据规模较大及网络拓扑随时间动态变化的特性,构建合适的动态信任模型,设计高效的基于信任的推荐算法,并研究社会网络中影响力对推荐的影响,提出一种基于动态信任的推荐机制,本文所设计的推荐机制是对稀疏性、冷启动等问题的有效解决方案,且对恶意攻击具备一定的抵抗能力。最后在真实社交网络Epinions.com和豆瓣网的数据集上对所设计的算法进行实现,并与协同过滤推荐算法做实验对比,实验结果表明算法在准确性和覆盖率上相比协同过滤算法有较好提高。所设计的基于动态信任的推荐机制在复杂社会网络与大数据环境下实现了推荐实时性与推荐精度的要求。