随着互联网技术的迅猛发展,信息过载问题越来越突出地呈现在人们面前。推荐系统作为一种重要的信息过滤手段,能够把用户需要的信息智能地呈现到人们面前,为人们提供个性化的服务,是解决信息过载的有效工具。基于信任的推荐系统有效地克服了传统协同过滤推荐系统固有的数据稀疏和冷启动等问题,成为了推荐领域的研究热点。大规模的信任网络中,信任关系的复杂性导致了推荐算法花费的代价十分巨大。对此,提出了一种信任网络的化间算法和基于信任网络的评分预测算法。信任网络的化简算法从信任网络的构造、路径依赖的消除和信任路径化简等方面进行了分析和研究,提高了信任度量的准确性,减少了评分预测算法花费的代价;另外考虑到现有的基于信任的推荐算法并没有使用信任网络中信任用户聚类的特性和历史推荐信息,导致推荐系统花费的代价十分高昂,因此本文提出的评分预测算法根据用户的信任关系把信任网络中的用户分为不同的社区,然后把不同社区中的信息素作为经验信息,用户间的信任值作为启发信息,利用蚁群优化算法搜索目标产品进行评分预测,并在化简后的信任网络中实现了对产品的评分预测。为了验证网络化简算法和评分预测算法,在Matlab平台下实现了这两种算法,并在Epinions数据集上进行了验证。实验结果表明,本文提出的信任网络化简算法能够删除网络中大量的节点和信任关系,同时保留信任网络中较多的重要信息,达到了化简预期效果;评分预测算法在准确度、覆盖度和花费代价等方面均优于TidalTrust、TrustWalker和T-bar算法,同时在化简后的信任网络上进行评分预测所花费的代价要更少,准确度更高。