互联网的迅速发展,带来了海量的数据。在这近乎灾难的数据面前,如何找到想要的信息,成为一个很重要的问题。传统意义上的搜索引擎,没有考虑用户的个性化需求,而协同过滤下的信任推荐算法将用户的个性化需求考虑在内,特别是各种算法叠加形成的混合推荐系统,更能取长补短,降低单一算法的缺点,发挥其优点。本文围绕着信任关系及信任关系下的动态推荐进行探索和研究,并将研究进一步应用到社区教育课程推荐中。主要的研究工作和创新点如下:在列表级排序学习经典Plackett-Luce模型的基础上,融入个性化网络推荐,提出了L~2R~2SN算法。L~2R~2SN算法从好友的交互网络中挖出相互影响因子和项目的隐含特征,融入到Plackett-Luce模型中,用梯度下降法来迭代优化,训练出模型的最优解,并根据项目排序列表选出优先推荐项,推荐给用户。实验发现,L~2R~2SN算法提高了推荐的准确程度,同时更为有效地反映用户的偏好。针对传统算法的个性化动态推荐没有很好地解决动态推荐系统的冷启动问题,提出一种对用户信任关系以及用户评分数据进行建模的方法。实验结果表明,基于信任度动态推荐的方法比现有算法具有更好的性能,能够在提高准确率的同时提高覆盖率,更好地挖掘项目的长尾分布。针对现有的课程推荐算法是从课程特点或用户关系等单方面来解决推荐问题,受电脑高速缓存cache原理的启发,提出了一种融合了信任关系和随机游走算法的专业课程池cache算法。根据同专业课程相关的特点,利用相似度对系统内课程进行专业分类,构建专业课程池cache;然后考虑信任关系,筛选出信任集合;最后采用c ache内的同专业课程的平均评分或游走最信任用户的评分或最信任用户在同专业课程池cache内的平均评分作为预测值。实验表明在小型的社区教育专用系统中,这种推荐准确率很高。