随着网络平台的流行和网络信息的急剧增多,如今互联网中的信息量已经远远超出了人们的需求范围。海量数据的涌现反而使信息的利用率降低,如何快速、准确地在庞大的数据中定位到有用的信息是一个急需解决的问题。推荐系统的出现极大地缓解了这种难题,它在大数据的背景下为用户与商品之间建立了联系,从而有效地提高了用户满意度和商家效率。协同过滤是一种重要的推荐算法,也是目前最常见的预测用户喜好的方法。然而,传统的协同过滤仅通过评分信息推测用户的偏好,由于评分数据稀疏问题,推荐的质量会受到严重的影响。此外,传统的协同过滤中只含有线性的运算,无法提取数据中的非线性因素,这也会使算法的性能受限。基于以上问题,本文在降噪自编码器的基础上提出了两种信任感知的预测模型,主要工作如下:(1)提出了整合显式信任信息的评分预测模型TDAE。首先,将用户在社交网络中的显式信任信息处理成有效的向量表示;其次,使用降噪自编码器整合用户的评分和显式信任关系;最后,通过神经网络的非线性运算获得更精准的用户偏好。(2)提出了整合隐式信任信息的评分预测模型TDAE++。首先,选择皮尔森相关系数的改进算法从用户的评分中提取隐式的信任关系;其次,同时使用显式和隐式两种信任来建模用户的偏好;最后,将信任信息整合到输入层和隐藏层中,使得两种不同类型的信息融合在一起并学习更可靠的用户语义表示。不同于经典的协同过滤算法,本文利用神经网络整合信任信息的方法将深度学习和社交网络结合到一起来解决评分预测问题,起到了更好的作用。在Filmtrust、Epinions和Douban这三个数据集上进行评分预测时,实验结果证明整合信任信息的预测方法的有效性。特别是补充了隐式信任关系的模型TDAE++,使预测准确性得到了一定程度的提高。