在现代互联网与大数据的冲击下,数据规模增长迅速,用户需求趋向于个性多样,传统的技术手段已然无法处理海量数据所带来的超载问题。推荐算法作为数据挖掘中的一个重要分支,在面对大型数据处理上,有着缓解数据冗余的优势,不仅能从中挖掘出用户感兴趣的数据,同时也给用户推送有价值的长尾信息。基于用户信任的推荐算法相比传统推荐,引入信任辅助数据,缓解数据稀疏,在一定程度上提升了算法性能。但多数研究并没有深入分析到用户间的信任关联性,同时未考虑到信任动态变化会影响到相似用户的推荐精度问题。为此,本文提出一种间接信任的动态计算模型,并设计以用户间接信任为基础的两种推荐算法。本文的主要工作如下:(1)提出了一种间接信任的动态计算模型。该模型主要引用牛顿冷却定律,对间接信任融入时间衰减因子,并使用前后信任的变化差异值,来调整相似用户计算因数据稀疏所带来的偏差。(2)设计了一种基于用户动态信任及威尔逊排序的推荐算法。该算法采取间接信任的动态计算模型计算信任变化,由信任变化值引入相似度计算;其次利用威尔逊排序算法干预Top-N列表,进行推荐。实验结果表明,其设计的算法具有较好的效果。(3)设计了一种基于用户间接信任及高斯填充的推荐算法。该算法首先分析用户信任传递网络图,由于间接信任数据无法直接收集,采用网络图中各分支传递节点与总路径节点之比,再经过逐一相乘的方法获取整个信任间接值;其次通过高斯函数预填充用户评分矩阵,以减少相似计算的误差;最后由计算的相似度与用户信任相融合,在近邻预测上进行推荐。实验结果表明,该算法提升了推荐的准确率。总而言之,本文在已有的基于信任推荐算法的工作上,以进一步挖掘用户信任关系和提高推荐准确度为出发点,将信任的间接性、动态性分别结合高斯函数、威尔逊排序设计新的推荐算法。在公认的FilmTrust数据集上,采用RMSE、MAE性能评价指标验证算法的有效性。