随着电脑的普及和互联网的迅猛发展,信息量呈爆炸式增长,随之而来的是信息过载问题,用户从海量的数据中找到自己需要的信息越来越难,为解决用户的需求问题,个性化推荐技术出现了,而工业界应用最为广泛的推荐算法就要数协同过滤算法了。基于图的个性化推荐便属于协同过滤技术的内容之一,并且随着社会化标签被引入,基于图论的个性化推荐也由原先的二分图发展为用户-物品-标签的三部图。同时,随着社交网络的出现,信任这一概念也被引入到推荐系统中,基于用户信任网络的推荐系统无疑使得推荐结果更加具有可信性和可解释性。在基于协同过滤算法的领域仍然存在很多问题,本文针对数据稀疏、用户冷启动和信任问题,提出了基于用户的隐式信任网络,对评分矩阵进行预填充;而对于三部图中存在的精确性和多样性不能兼容等问题,提出了物质扩散与热量传播相结合的完全三部图模型,并且进行物品、用户和标签的联合推荐。本文主要进行以下几个方面的工作研究:首先,针对当前协同过滤推荐存在的数据稀疏、用户冷启动和彼此信任度低的现状,结合基于用户的信任网络和信任传递等技术,提出了通过信任网络的用户信任矩阵与用户相似矩阵得到填充评分矩阵。其次,对于三部图中用户、物品、标签之间关系考虑不充分且精确性和多样性之间相冲突的现状,提出了物质扩散算法与热量传播算法相结合的完全三部图模型,既考虑了精确性又没有损失多样性。接着将用户信任网络与完全三部图相结合。为了提高推荐结果的可解释性以及可信任性,提出了物品、用户和标签的联合推荐机制。最后,选取MoiveLens数据集作为实验数据来源,将本文构建的推荐模型的推荐效果与传统的协同过滤进行对比,以验证我们的研究成果。