随着当今社会互联网web技术新应用的快速发展,给当今社会的发展注入了新的活力,导致了社交网络、视频音频在线系统以及电子商务系统等的快速发展,这些互联网应用的主要特点是根据用户需求,以数据为驱动,此时用户可以作为互联网数据的消费者,也作为互联网数据的生产者。但是由于互联网数据以指数形式增长,海量的数据信息给用户带来了前所未有的机遇和挑战,但是也对信息处理技术提出了更高的要求。海量数据带来的挑战主要是“信息过载”的问题,然而以推荐系统为代表的信息过滤技术则能很好地解决了在海量数据面前寻找用户需要的信息这个问题,推荐系统的主要思想是通过挖掘海量的用户行为数据,根据行为数据分析用户的需求,然后预测用户的兴趣并进行推荐。协同过滤是推荐系统中应用最广泛也是最成功的算法之一,能广泛应用于各种推荐场景,只依赖于用户的历史行为数据。基于邻域的推荐和基于隐语义模型(Latent Factor models)的推荐是协同过滤算法中最成功的两种方法,隐语义模型最成功的是现实矩阵分解技术(Matrix Factorization)。协同过滤的核心思想是在利用用户的历史行为数据——用户-物品评分矩阵,根据用户或者物品之间的相似度联系,找到相似用户集合,综合所有这些相似用户对某一物品的历史评价或者消费行为,推断出系统对该用户对此物品的喜好程度。但是协同过滤面临两大问题:数据稀疏性和冷启动问题。随着在线社交网络的发展,社交网络在推荐协同中发挥越来越重要的作用,近年来在推荐系统领域中得到了广泛的研究和应用,并展示了显著的效果。本文的研究内容就是基于社交信任网络的传递性构造了一个新的社交信任矩阵,提出了基于社交信任传递的矩阵分解模型。本文的贡献为提出了一个新颖的信任度预测模型,可以求得一个新的信任矩阵,使得该矩阵包含了用户间的直接信任信息和间接信任信息,新的信任矩阵取代原有的信任矩阵融入到矩阵分解模型中,构造一个全新的基于社交信任的矩阵分解模型。本文采用了真实对算法进行了验证,实验结果表明有效的缓解了数据稀疏性和冷启动问题,从而减少了推荐误差,提高了预测精确度和推荐质量。