互联网的迅速发展导致数据规模不断增大,信息过载的问题越来越严重,用户获取到的有效信息越来越少,在这种背景下,推荐系统应运而生。而协同过滤(Collaborative Filtering,CF)算法作为推荐系统中应用最为广泛的算法却面临着较多问题,比如冷启动、数据稀疏性和准确度较低等。因此,面对规模不断膨胀的社交网络,基于传统协同过滤算法的推荐系统难以应对这种现状。推荐系统给人们提供有价值信息的同时,也产生了一些垃圾信息,这时人们更易接受来自信任用户的推荐,因此本文充分利用用户间信任关系,提出基于信任机制的推荐算法。研究者们证明将社交网络中的信任关系融合到推荐算法是非常有意义的。以下是本文研究的具体内容:(1)为了减少最近邻用户的搜索范围,本文在研究信任机制的基础上,将用户间信任度和相似度融合后取代传统K-means聚类算法中的相似度,并把最终的相似度作为用户簇划分的标准。同时与基于K-means聚类的项目协同过滤算法结合,提出双聚类的TK-means*CF算法。在两个数据集的实验结果表明该算法可以有效缓解数据稀疏性问题,提高预测的准确性。(2)针对协同过滤算法中数据稀疏性的问题,提出了基于堆栈降噪自编码器(Stacked Denoising Auto Encoder,SDAE)的对称信任机制算法。首先,使用SDAE整合社交网络中用户间的评级和显式信任信息,并将其应用于协同过滤算法中,提出T-SDAE CF算法;其次,通过局部和全局信任度挖掘出用户间的隐式信任关系,并将其融合到T-SDAE CF算法中,提出T-SDAE*CF算法;最后,通过大量的实验证明该算法可以更好的学习评级数据与信任数据中的深层表征,进而提升推荐效果。