互联网大大地改善了人们的生活,通过互联网,人们可以获取想学的知识、想听的音乐、想看的新闻。然而,获得便利的同时,人们也倍受“选择”的折磨。推荐系统能够有效地解决信息过载问题,但如何解决诸如数据稀疏、冷启动、“托”攻击及扩展性等问题依然是传统推荐算法面临的巨大挑战。研究人员尝试用各种方法解决以上难题,这种背景下,基于信任的推荐系统TARS(Trust-aware recommendation system)应运而生。TARS在传统推荐算法的基础上引入信任机制,利用信任网络信息以及用户间信任的传递性将原本孤立的用户联结起来,能够有效解决传统推荐系统存在的问题。因此,对基于信任的推荐系统的研究成为推荐系统领域重要的研究课题之一,并且当前已经取得重大成果。然而已有推荐算法在推荐质量,特别是评分预测的准确度方面仍有待提高,这极大地影响了推荐系统的用户体验。本文以提高基于信任的推荐系统的推荐质量为目标,首先对信任管理领域相关知识以及具有代表性的信任模型进行研究,进而介绍几种当前推荐系统领域应用比较广泛的推荐算法,并对其优势与不足进行分析。此后,本文提出一种新的基于信任网络的协同过滤算法DTCF(Dynamic Trust-aware Collaborative Filtering),该算法既考虑了用户间的信任度,也考虑了用户间的相似度。推荐过程分为三个阶段:推荐者列表获取、用户评分预测及信任网络更新。在预测用户评分阶段,引入“用户的信誉”及“项目的质量”等概念并将其融入评分预测中,有效地提升了预测准确性。在信任网络更新阶段,根据“如果实体A与实体B间的信任度比较高,则两者间有较高相似度的概率比较大”这一信任度与相似度的相关性,模拟现实生活中信任的变化情况,采用一种新的带有奖惩机制的更新信任网络的方法,进一步提高了推荐算法的运行效率及评分预测准确度。最后,本文在现实数据集(Epinions、Flixster)上验证了信任度与相似度的相关性,并研究了DTCF算法中各参数对推荐算法性能的影响,然后对比了DTCF算法与经典的协同过滤算法及当前已有的基于信任的推荐算法的性能,实验结果表明,在相同条件下,DTCF算法具有更好的性能。