随着信息技术与社会网络的迅速发展,指数级爆增的海量数据引发了严重的信息过载问题。为解决这一问题,推荐系统协助用户高效过滤无价值信息并主动推荐个性化服务信息。在推荐系统中,协同过滤推荐算法因其领域无关性及挖掘用户潜在偏好的优势被广泛应用。但是,其不可避免地面临着数据稀疏、冷启动和恶意攻击等巨大挑战。因此,为了提高协同过滤推荐系统的推荐可靠性及有效性,本文通过引入社会网络中用户间的信任关系,将信任机制与协同过滤推荐算法有效结合,提出一种融合信息熵相似度与动态信任的协同过滤推荐算法,主要研究工作从改进相似度算法、构建信任计算模型、引入信任奖惩机制三个方面展开:(1)针对用户评分数据稀疏所导致的相似度准确性较低或冷启动用户相似度难以计算的问题,构造基于评分差异的信息熵兴趣相似度计算方法,引入一种避免信任网络热区效应的信任关系隐性相似度,将二者自适应动态融合以计算用户综合相似度。本文改进的用户相似度算法避免了已有相似度算法因共评项目稀少,导致用户相似度过高或过低的不合理现象;当用户评分数据稀疏甚至无评分时,利用信任隐性相似度优化相似度计算,一定程度上缓解冷启动问题;(2)针对推荐系统中恶意攻击和虚假反馈的评分数据不可靠问题,从用户评分可信度、评分预测能力、共评项目集三个维度度量用户的推荐信任度,将显式信任与推荐信任融合计算用户间的直接信任度;基于重构的信任网络分析研究单路径信任弱传播与多路径信任聚合机制,构建间接和全局信任度计算模型。本文以直接信任度充分反映目标用户对推荐用户推荐/评分的认可度,通过信任推理挖掘被目标用户信任且兴趣相似的推荐用户;(3)针对用户间信任关系的动态性问题,引入信任奖惩更新机制,评估推荐用户评分的有效性,分别对积极推荐者和消极推荐者的信任度进行控制性奖惩。合理的信任奖惩策略能够实现动态更新用户的推荐用户,表征信任关系的动态演化性。本文提出的信任奖惩更新机制能够有效减少不可靠用户的虚假推荐,使得推荐结果始终来自于被目标用户信任且相似度较高的推荐用户,从而提升系统的推荐可靠性。最后,基于公开的信任数据集FilmTrust、Epinions进行实验,并与其他经典算法对比分析。实验结果表明本文算法能明显提高推荐系统的推荐准确度,有效缓解协同过滤推荐系统的数据稀疏性、冷启动和数据可靠性问题。