网络应用的飞速发展对相应的网络安全机制提出了新的技术要求。信任通过分析和评估各个网络节点之间的潜在信任信息,能够在复杂的网络环境中提供相对灵活的安全度量机制,目前已经成为网络安全领域中研究和应用的热点。信任评估是信任研究的基础,但是由于信任的主观性、模糊性等特点,如何构建高精度、低负载的信任评估模型仍然是一个重要性和挑战性并存的研究主题。同时,各类在线社交网络的流行,改变了用户获取信息的方式。用户不仅会依据其个人兴趣或爱好获取信息,与其有社会关系的其他用户的推荐也会对用户的选择造成影响。社会化推荐系统将影响用户行为偏好的社会属性因素与协同过滤算法相融合,有效地提高了推荐的准确性,而且使推荐系统更符合人类的社会特征。信任关系是当前社会化推荐系统中使用最广泛的社会关系,如何更有效地将用户信任关系应用于推荐系统,是社会化推荐系统的重要课题。本文对网络环境中的信任进行了研究,结合机器学习的方法提出了一种新的信任评估模型,并尝试将用户的信任偏好与属性偏好与相融合,综合进行社会化推荐。主要工作如下:(1)传统信任模型由于其依赖信任在网络中的传播与迭代,在大型网络中性能不佳。本文提出了一种基于机器学习的信任评估模型。但使用有监督的神经网络算法建立信任评估模型,会出现标签数据不足和误分类代价不均衡的问题。针对这两个问题,本文应用了代价敏感的半监督学习方法进行训练,并在多个包含用户信任数据的数据集上进行了验证和测试。实验结果表明,此模型在保证准确性的同时,能够更好地识别不可信实体。(2)针对传统推荐算法存在的数据稀疏、冷启动问题,本文提出了一种融合用户属性偏好与信任偏好的社会化推荐算法:首先,对评分矩阵进行矩阵分解得到用户和产品的潜在特征向量,利用潜在特征向量进行用户隐含属性偏好相似度的计算;其次,引入信任关系,将其与评分信息相联系,量化用户的信任偏好并将其融入到算法模型之中;最后,使用动态的权重计算用户间的推荐权重。该算法在Film Trust和Epinions数据集上进行了测试和对比,实验结果证实了该算法能够更加有效地预测用户评分,提高推荐精度。