随着互联网的高速发展,网络上信息量的巨幅增长使得信息过载问题日益严重,为了满足用户的个性化需求,推荐系统应运而生。传统的协同过滤(CF)推荐系统通过分析用户的购买行为来了解他们的喜好,根据他们所购买过的项目的评分情况建立用户-项目评分矩阵,然后基于相似的用户具有相似的偏好的这一假设对用户进行推荐。但是,这种方法面临着很多问题,例如数据稀疏问题,由于网络中庞大的用户和项目规模,用户对项目的评分矩阵会很稀疏,系统难以根据现有的信息向用户提供最适当的建议,严重影响推荐系统的性能。信任感知推荐系统(TARS)的出现在一定程度上缓解了这一问题,它主要利用信任的传递性来建立用户之间的信任关系,联合用户与项目之间的用户-项目评分矩阵对用户进行推荐。但该方法没有考虑网络中的负链接信息,数量有限的负链接往往比正链接包含更多的信息,且负链接的存在会降低其他用户对当前用户的信任程度,因此负链接的价值不容忽视。在本文中,我们引入负链接相关信息,并提出一个新的基于符号网络的推荐系统模型,这种融合了符号社会网络中正负关系的推荐系统能有效提高推荐结果的准确性。该模型集成了用户模型与信任和不信任网络,从属性角度加以分析,提取与用户正负链接相关的社会属性以及结构属性,通过逻辑回归的方法融合各属性,并对相关属性加以赋值,计算用户之间的信任强度,从而确定值得信赖的用户,然后将这些用户的建议聚合起来为新用户提供有用的推荐结果。本文的实验是在真实数据集Epinions和Slashdot上进行的,通过和已有推荐算法的对比分析,验证了我们所提方法的有效性,它在准确率、覆盖率等方面均有较好的表现。相比于传统的CF方法,本文方法在准确率上提高了15%,在F值上提高了9%,在覆盖率上提高了6%。由此可见,本文这种结合了网络中的正负信息的推荐系统能为用户提供更好的推荐结果。