近年来,随着互联网的迅速发展,网络信息的数量和规模空前高涨。一方面,人们能够更加容易地接触到各种各样的信息；另一方面,信息过载问题也变得越来越严重。研究人员和工程师们已经提出了许多的方法和技术来解决信息过载问题,其中,推荐系统被誉为最流行和最有效的工具之一。推荐系统发展至今,已经成功地应用到了许多领域。电子商务正是推荐系统的重要的应用领域之一。在电子商务领域中,与日俱增的用户和商品数量,海量的有用或无用的信息,使用户越来越难以找到感兴趣的信息。电子商务推荐系统,能够从历史数据中分析用户的行为模式,预测用户的喜好,是解决这一研究课题的重要途径。通过电子商务推荐系统,一方面,用户能够获得个性化的服务和体验,另一方面,网站也能够获得更多的销售量和利润。然而,电子商务推荐系统仍然面临一些重要的困难与挑战,如数据稀疏性问题、冷启动问题和多样性推荐问题,这些问题的存在严重限制了电子商务的发展。为了解决以上三个问题,本文围绕现有方法无法适用的场景以及他们忽略的信任关系的特性和多样性指标,结合电子商务应用领域的特定环境即电子商务中商品类别的多样性,研究面向电子商务的基于信任关系的商品推荐。本文的主要工作如下：第一,为了解决单个领域上的推荐面临的数据稀疏性问题和冷启动问题,提出了基于商品关系挖掘的交叉领域推荐方法。针对既无公共用户又无公共商品的交叉领域环境,利用信任信息、源领域的评分信息和目标领域的评分信息,通过构造基于交叉领域的商品表示形式建立了交叉领域的商品之间的关联。基于交叉领域的商品表示计算交叉领域的商品之间的相似度,并将源领域的知识即评分迁移到目标领域,得到了源领域用户对目标领域商品的更为精确的预测评分。基于真实数据集上的实验结果表明,该推荐方法能够有效地建立交叉领域的关联,并利用建立的关联改进推荐的性能,解决数据稀疏性问题和冷启动问题。第二,为了解决基于无领域区分的信任关系的推荐中存在的数据稀疏性问题,提出了基于特定领域信任关系的矩阵分解推荐方法。针对用户兴趣领域的多样化以及用户在不同领域的信任行为不同这一事实,通过划分用户的兴趣领域,基于直接信任关系和间接信任关系构造了特定领域的信任网络。通过融合特定领域的直接和间接信任关系所表示的用户之间的相似度,构造了基于信任信息和评分信息的矩阵分解模型。通过该模型学习用户特征和商品特征得到精确的预测评分。基于真实数据集上的实验结果表明,该推荐方法能够有效地利用特定领域的信任行为改进推荐的性能,解决数据稀疏性问题。第三,为了解决基于显式和隐式用户关系的推荐中存在的数据稀疏性问题,提出了基于同角色用户间隐式关系挖掘的协同过滤推荐方法。通过分析信任网络中信任者之间的共生关系和被信任者之间的共生关系,建立了同角色用户之间的关联。通过采用相关联的同角色用户表示每个用户以及比较他们的向量形式,得到了更为精确的隐式用户之间的相似度。通过融合同角色隐式用户之间的隐式关系到协同过滤技术当中,生成了更加精确的预测评分。基于真实数据集上的实验结果表明,该推荐方法能够有效地利用挖掘出的同角色用户之间的隐式关系改进推荐的性能,解决数据稀疏性问题。第四,为了提高推荐结果的多样性来满足电子商务网站的利润需求,提出了基于信任关系和重排名策略的商品推荐方法。基于信任关系的建立时间和多样性推荐之间的关联,通过加权不同时间建立的信任关系,提高了推荐结果的多样性。基于商品的流行度与多样性推荐之间的关联,采用无条件重排名和有条件重排名策略提高候选商品集中低流行度商品的排名生成新的推荐列表,进一步提高了推荐结果的多样性。基于真实数据集上的实验结果表明,该推荐方法能够有效地利用信任关系的建立时间以及商品的流行度信息提高推荐结果的多样性,解决多样性推荐问题。