在互联网日趋普及的今天,大数据、社交网络等计算机技术的发展使推荐算法的研究有了质的突破。用户通过互联网能够摄取自己需要的内容,但是从庞大的数据库中及时的摘取有效内容却是一个严峻的问题。信息的高负荷使得传统的推荐算法已经不能满足现实的需求。针对这一问题,众多专家探索研究出面向不同领域的个性化推荐算法,为今后的改进创新打下了坚实的基础。传统协同过滤(CF)推荐算法的核心思想是根据成员之间的相似度进行预测,但是由于难以找到类似用户集合,其推荐效果不明显,因此,面对用户评分不够充分的问题,将社交网络信任融入传统的推荐算法中能够弱化用户数据稀疏对推荐效果的影响。但是现有的融入信任的推荐算法存在诸多不足,尤其欠缺对信任用户之间的关系进行充分的探索。针对传统推荐算法推荐结果不精确的问题,本文给出了基于社交网络信任度的个性化推荐算法。针对社交网络中用户之间信任评分数据稀疏的问题,本文提出了一种DNTDEM算法:根据成员之间的个人活动和相互联系,利用信任网络和相似网络来提高推荐质量和效率。该算法在建立用户偏差的基础上,通过创建双信任网络(由每个用户的相似性网络和信任度网络组成)来减少信任网络的稀疏性,进而利用信任对时间的依赖性动态的更新双信任网络。根据算法的理论模型,本文做了相关的仿真实验,实验结果表明,基于用户偏差度的双网络时域演化模型算法在改善稀疏性问题方面具有显著的优势,综合性能较好,现实意义较高。DNTDEM是的提出,为下一步工作打下了坚实的基础。在信任度推荐算法的基础上,本文对微视频(一种新形式的用户生成内容)进行个性化的推荐。因为微视频质量低,效果不佳,但是可以在不同的模式中提供有关其独特的补充信息,这些因素共同促进了微视频的推荐。通过对用户与微视频的社交关系、主题和情感分析的探索,本文研究了个性化微视频推荐的问题。在主题分析中,基于LDA模型识别每个微视频的关键词序列,利用Jaccard相似度发现相似视频列表;在情感分析中,充分考虑微视频的评论内容,准确的计算用户情感相似性。在此基础上,利用矩阵分解,将三种因素融合,为用户提供个性化微视频推荐。本文做了相关的仿真实验,其结果显示与其他基础的推荐算法相比,基于多因素个性化微视频推荐算法可以将召回率和精确度提高30%以上,使得推荐效果更加明显。