随着互联网的飞速发展,用户信息以及产品信息急剧增多。面对海量信息,用户如何能够迅速地从这些多样的信息中找出自己的需求信息,是一个值得研究的问题。为了解决上述问题,许多学者和工程师提出了多种技术方案,其中应用最为广泛的就是协同过滤推荐系统。本文以社交网络中的信任因子为研究对象,以解决协同过滤推荐系统中的数据稀疏性问题、提高推荐系统的推荐质量为目标,分析比较了传统的协同过滤推荐算法以及基于信任感知的协同过滤推荐算法。针对数据稀疏性和基于信任感知的协同过滤算法中的不足,论文提出了两类算法,一类是用于信任评分矩阵重构的隐式信任推理算法(Implicit Trust Inference Method,ITIM),另外一类是基于隐式信任感知的协同过滤推荐算法(Implicit Trust-Aware Collaborative filtEring,iTrace)。ITIM算法利用信任在社交网络中的可传递性和衰减性,对稀疏的信任评分矩阵进行了缺失值填充和信任值的精准计算。算法在缺失值填充方面使用杰卡德相似度系数填充信任网络中具有共同受信用户的信任值。然后利用迪杰斯特拉算法对信任网络中的信任值进行迭代更新,最终得到重构后的信任评分矩阵。iTrace算法将隐式信任推理算法模型和协同过滤算法模型相结合,提出了线性加权和增量加权两种评分预测方式。为了验证算法的有效性和实用性,本文利用FilmTrust数据集对上述算法进行了实验的仿真,并将基于隐式信任感知的增量加权推荐算法(iTrace-I)部署在一个图书推荐原型系统进行测试。结果表明,隐式信任推理算法模型的研究具有一定的理论和应用价值,能够大大提高协同过滤推荐系统的推荐质量。