随着数字化时代的到来,信息的种类和容量都在不断增长,为了在海量数据中寻找到用户所需要的信息,推荐技术已广泛应用于各个领域,例如搜索引擎、电子商务、社交网络、新闻门户等。针对以SNS社交网络为平台的个性化推荐技术得到了广泛的研究。尽管目前推荐算法得到了广泛的应用,但推荐系统仍然面临着若干问题,即数据稀疏性,用户冷启动和项目黑天鹅等。由于用户-项目二部图中,用户的活跃度有限但基数大,项目集基数则较小,评分数据集的密度很小,即稀疏度高,因此,这是许多推荐算法面临的主要问题。为此,各类推荐算法针对传统推荐算法当中未使用到的显式或隐式信息进行进一步扩充,以达到更好的算法性能。其中,基于社交网络可信度的推荐算法得到了越来越多的关注。本文通过介绍了分析社交网络用户的类型,并对推荐算法的发展进行了回顾,主要介绍了协同过滤算法以及基于模型的推荐算法,包括现有的概率矩阵分解算法的原理以及在推荐系统当中的应用。本文中为了解决用户-项目评分矩阵的预测问题,利用用户对商品评分时的个性化数据,以及显性的社交网络上用户收听关系作为可信度依据,并将隐性的影响力关系网络研究整合,提出了基于社交网络可信度和影响力的社交网络联合矩阵分解模型,并给出相应的研究结论。