引入辅助数据如社交关系信息是解决传统个性化推荐算法数据稀疏问题的一种有效方法.目前大部分基于信任的推荐算法直接利用二值信任网络来提升推荐质量,然而,直接信任关系也是稀疏的.因此,本文利用社交网络中的信任信息,挖掘用户在推荐系统中的隐式信任关系,增加信任数据的密度.考虑到用户偏好信息的稀疏性,本文利用社交网络中信任信息和评分信息,结合矩阵分解的特征因子分析法缓解该影响.在线网络也存在不信任关系,如电子商务网站Epinions等.不信任信息对社交网络有重要意义,但很少有算法将不信任关系引入到推荐中.本文利用不信任信息对信任网络进行调节,选择符合社会平衡理论的稳定的路径,利用Jaccard系数的变体计算用户间的不信任权重,对于不信任权重大于设定阈值的用户,否定其局部信任度量的结果.实验结论证明,本文的信任模型可以提高预测精度,相比于融合信任的传统协同过滤算法和已有的信任增强的矩阵分解推荐方法,本文的算法具有更好的推荐准确率.