推荐系统作为一种高效的信息过滤手段,是解决信息过载问题实现个性化推荐的有效方法之一。但随着信息技术的迅速发展以及大量电子设备的快速普及,使得社交媒体中的数据呈爆炸式增长,增加了因“信息过载”所导致的推荐性能差,可扩展性低的问题。社会化推荐算法是在基于用户-项目的二元模型的传统推荐算法中融合了社会化标签、信任关系等社会属性信息。有效的提高了推荐系统的推荐性能。目前,已经有许多学者对社会化推荐进行了相关的研究,提出了一些社会化推荐算法,但在这些方法中仍存在数据稀疏和冷启动问题,本文通过分析社交信任和用户对项目特征属性的关注程度去提高社会化推荐的推荐性能。本文的主要工作如下:(1)描述了传统推荐系统和社会化推荐系统的概念、分类以及常见的推荐算法,总结了社会化推荐系统中常见的模型以及现有的社会化推荐模型中所存在的问题。分析了传统推荐系统和社会化推荐系统的之间的差异。(2)为了解决社会化推荐系统中信任关系挖掘不充分的问题,本文提出了基于社交信任的推荐方法,通过社交行为、社交圈等辅助信息挖掘用户之间的信任关系提高用户之间的信任度,采用联合矩阵分解的方法对用户的偏好进行计算,提高了社会化推荐系统的推荐效果。(3)为了能够准确的挖掘用户之间的相似关系和用户的偏好。本文提出了融合信任和项目特征属性关注程度的社会化推荐模型。通过用户-项目评分矩阵和信任网络构建融合信任关系的新的异构网络,在新的异构网络中对用户之间的相似关系进行挖掘。在计算用户预测偏好度时,引入用户对项目特征属性的关注程度,提高用户的推荐性能。最后在Filmtrust数据集上和其它三个典型的社会化推荐模型进行对比分析,验证模型的推荐效果,结果表明该模型有效的改善了社会化推荐系统中存在的数据稀疏和冷启动问题。