伴随着计算机技术的不断发展,互联网日趋普及,网络上信息数量不断扩大,用户可以更自由的获取信息,这满足了用户的信息需求。但是随着网络上信息的大幅增长,用户在有限的时间内接收并处理庞大的能力逐步下降。面对此种信息超载现象,传统的人工过滤搜索算法已经无法适应当前的形式。个性化推荐系统应运而生,并且在越来越多的学者的参与以及带领下,正在迅速发展并形成一定的理论基础。社交网络中,用户往往倾向选择自己信任的人所推荐的物品。因此,用户评分数据较为稀疏的情况下,基于社交网络信任度的推荐能够有效提高推荐的准确率。但是目前的推荐算法对于信任度的处理方法较为单一,没有对信任用户做有效的挖掘。本文在传统协同过滤推荐算法基础上,提出了基于社交网络信任度的推荐算法。本文中,为了解决社交网络信任度矩阵较稀疏的问题,使用局部信任度与全局信任度相结合的方法,将社交网络信任度矩阵进行扩展,使其更稠密。并且更细化了好友之间的信任关系。对于用户的所有信任用户,使用主题模型挖掘用户的主题分布。进而可以将用户划分成不同的兴趣组。与用户具有相似兴趣偏好的信任好友,得到更高的主题相似度。这样,对于所有的信任用户,信任值是用户之间的信任值与用户之间主题相似度的和。然后,基于隐含因子模型预测信任好友产生的评分矩阵。最后,本文融合用户自身评分与信任好友的评分得到最后的预测评分。这样不仅可以考虑到用户自身的兴趣,而且可以结合与用户有相似兴趣爱好的信任用户的评分,较为全面准确。在本文提出的算法中,扩充信任矩阵,以及利用主题模型对信任用户划分兴趣组,并结合社交网络信任度作推荐是主要创新点。文章最后依据本文提出的算法设置了不同方面的对比实验,主要评测指标是均方根误差、平均绝对误差和覆盖率等。通过实验证明,本文工作中的扩展信任矩阵、主题模型对用户进行主题聚类都对提高预测评分的准确率有帮助。综合来看本文提出的算法对比其他算法在准确率以及覆盖率上都有一定的优势,并且在数据较为稀疏的用户上也具有较好的表现。