进入21世纪以来,互联网呈爆炸式增长,信息技术井喷式发展,网络上充斥着各种各样的海量信息。信息量激增的同时既给人们带来了史无前例的方便快捷,又给人们带来了前所未有的苦恼。一方面,用户获取信息的方式变得无比便利,只要联网,几乎任何想查找的信息都能得到;另一方面,没有任何人拥有无限的时间,同时,也没有任何人拥有无限大的信息处理效率。而网络上信息总量提升的同时与用户无关的信息量也在剧烈增加,普通用户则显得在无关信息的泥潭中越陷越深。于是推荐系统应运而生,顾名思义,其目的就是希望尽可能的把与用户有较高相关度的信息呈现在用户面前,节省用户浏览无关信息的时间,提升使用体验。在web2.0时代,系统与用户的交互不断深入,任何用户,在消费信息的同时也在不断地生产信息。近几年,随着移动互联网的快速普及,社会化网络与人们日常生活的融合程度越来越高。对社会化网络中用户的行为进行分析,在此基础上进行预测,是近年来推荐系统领域研究的一个热点方向。这一研究方向中,系统用户之间的信任关系备受关注。有关科学研究也已证实,与家庭成员相比,朋友会对人的行为和发展产生更深远的影响,朋友间的信任关系对提高推荐系统的性能有非常重要的作用。目前关于信任因素的引入,以及信任因素的传播特性等等,已经涌现出了诸多优秀成果,关于不信任因素的研究成果近年来也在不断涌现,但是现存的研究中更多的是把信任和不信任两方面割裂开来进行考虑,把信任和不信任当做两个独立存在的个体因素,这导致了一些问题。本文的主要工作概括如下:1,对当前信任度量方法进行分析,例证其可能存的隐患问题,然后介绍引入了评分空间这一度量方法,并借此解决了传统度量方法在传播过程中的溯源问题。2,考虑新型信任关系网络拓扑结构中的隐藏信息,结合信任网络扩展中的远距离传播衰减问题与权威度问题,综合这些方面提出一种改进的多路径聚合算法。3,利用评分空间的数据构成特征,考虑到slope-one加权算法推荐结果过于大众化的缺点,提出改进的预测评分算法,将加权范围缩减到信任邻居集,并结合评分空间数据构成特征进行个性化加权计算。4,基于本文第3章和第4章中的新算法,设计对照组以及实验方案,以验证新算法的推荐性能,并得出最终结论。