随着网络通信技术的发展和互联网信息资源的不断扩大,信息过载现象日趋严重。传统信息服务的出现在缓解了信息过载问题同时因其面向公众的通用性需求特性,无法满足用户的个性化需求。而以个性化推荐系统为代表的信息过滤方式通过分析用户需求,对用户兴趣建模预测,能够为用户提供有价值或者具有潜在价值的信息,解决了用户个性化需求的问题。推荐系统已被广泛应用于信息服务中,成为各大主流信息服务提供商不可或缺的信息服务形式。随着社会网络研究的兴起,许多研究者将社会网络与个性化推荐结合以解决传统推荐中存在的数据稀疏性、”冷启动”问题、模型可扩展性以及健壮性等问题,有效提高了推荐的可扩展性和准确度。但大多算法仅简单利用信任关系寻找最近邻居集合,未能考虑到信任用户的建议并不一定适用于目标用户。针对TrustWalker随机游走模型的不足,本文主要做了以下研究工作:1.利用矩阵分解对用户评分矩阵进行降维,保留主要信息特征。在高维稀疏评分矩阵下可以高效精确的计算相似度,缓解了高维稀疏评分矩阵的相似度无法计算、计算难的问题。2.利用聚类思想减少项目搜索空间的同时结合用户偏好度深入挖掘用户对项目类别的关系以及兴趣权重,并以此获取用户对项目类别的偏好程度。在随机游走的相似项目选择过程中,利用用户偏好选择对用户评分预测有所参考的项目,加快模型收敛的同时保证了推荐的效果与易解释性。3.充分考虑到用户信任关系信息,利用权威度和局部信任度等手段将信任度细化,深入挖掘了用户信任与兴趣度关系,提出了一种基于用户偏好的信任网络随机游走模型PTTrustWalker。