随着互联网技术的迅速发展,获取数据的成本变得越来越低,随之而来的问题就人们是面对海量的数据而无从下手,呈现出一种数据很多信息却很少的矛盾。如何挖掘用户的需求给用户提供个性化的信息和服务逐渐成为一个重要的问题。个性化推荐系统在这样的背景下应运而生,其解决的核心问题是根据用户的历史行为分析用户的兴趣偏好,并以此给用户提供个性化的信息推荐。个性化推荐系统经过多年的发展,在很多领域得到了广泛的应用。传统的个性化推荐系统主要基于用户和物品的交互信息进行分析,而随着近年来在线社交网络的兴起,利用人们在的在线社交网络来优化个性化推荐系统的社会化推荐系统逐渐受到重视。本文在传统的推荐算法和社会化推荐算法研究的基础之上,通过对社交关系中的信任关系进行研究,提出了一种基于信任的社会化推荐算法,并通过实验验证了该算法的有效性。本文的主要贡献为:1)提出了一种基于信任的社会化推荐模型,该模型基于传统的隐变量模型,通过信任网络的信任多面性,信任偏置和信任传递性、信任网络和评分网络耦合对双方带来的影响进行建模,将用户间的信任关系加入隐变量模型实现了对信任网络和评分网络更精确的刻画,并将其组合到一个统一的优化模型中。2)从模型训练和评分预测两方面详细的介绍了本文提出的推荐算法的模型求解和应用过程中涉及到的模型常量计算、评分预测、信任预测、梯度计算以及模型训练算法,并分析了它们的时间复杂度。在模型训练阶段,采用一种简单有效的自适应学习率更新策略,此方法能动态的在模型训练过程中根据预测误差实际情况更新模型参数。3)对本文提出的算法进行了实验和分析。在FilmTrust、Epinions和Ciao三个数据集上进行了对比实验,实验结果表明本文提出的基于信任的社会化推荐算法的评分预测准确性高于传统的基于隐变量模型的推荐算法和传统的基于信任的社交推荐算法;通过在模型训练阶段采用固定学习率和采用自适应学习率训练的模型进行对比实验,验证了本文采用的动态学习率策略的有效性;此外,讲本文提出的算法在冷启动用户群上的推荐准确度进行了实验,实验结果表明本文提出的算法能有效的缓解推荐系统所面对的冷启动问题。