在互联网快速发展的今天,用户和网络规模都呈现指数倍的增长。信息资源的大量涌现,使得用户在数据的获取上面临巨大的挑战。尽管搜索引擎技术能让用户进行针对性的信息查找,却只能提供给用户相同的搜索信息,不能满足用户的个性化服务。个性化推荐系统的出现有效的缓解了信任过载问题。推荐系统不仅帮助用户进行个性化信息的获取,还帮助部分商家进行了商品的推广,带来了比较显著的经济效应。在推荐系统中,协同过滤推荐是应用最广,最为有效。可是,协同过滤推荐算法也有着自身的缺陷,存在数据稀疏问题、冷启动问题、扩展性差的问题和恶意进攻问题等一系列缺点,影响着系统的推荐准确率。针对协同过滤推荐中所存在的问题,本文在概率矩阵分解推荐模型中融入了带时间序列的用户信任度,提出了一种基于动态信任模型的改进算法—Sequential Trust MF推荐算法。本文的主要工作如下:(1)设计了一种基于认知的动态信任模型。在该模型中将信任概括为总的信任,直接信任,间接信任。通过历史证据窗口将总的信任度计算转变为直接信任度或者间接信任度的计算。在直接信任度计算中引入了时间序列信息,使得该信任模型能动态的计算用户间的信任度。间接信任度的计算是在直接信任树(Direct Trust Tree,DTT)的基础上,通过构建间接信任传播度的聚合方法来实现的。该模型中信任不再是简单的二元信任,有了信任强度的区分。而且最终信任度能够在一定程度上适应网络中信任关系的变化。(2)利用信任模型计算信任度,并将信任度融入到概率矩阵分解模型中,提出了一种改进的协同过滤推荐算法—Sequential Trust MF推荐算法。并在Epinions数据集上进行了对比实验,分析信任用户数量、参数因子、商品推荐数量对于推荐算法的影响。通过实验发现,该算法同其他同类推荐算法相比,在推荐准确度上有了明显的改善。