随着网络和通信技术的快速发展,全球范围内的信息化改变了人们的生活方式。互联网的出现,带我们走进了一个信息大爆炸的时代。面对大量的信息,人们往往也会感到无所适从,很难从中寻找出适合自己的信息,信息使用效率反而降低,这就是所谓的信息过载问题。推荐系统作为信息过滤的重要手段,是解决信息过载问题的有效方法。传统的协同过滤推荐系统和基于信任的推荐系统得到了广泛的应用,但在推荐的准确性、数据稀疏性和新用户问题上仍存在很多的不足,面临着许多挑战。现有的推荐系统仍然存在以下问题：●数据稀疏性问题。传统的协同过滤方法通过计算用户之间的相似度来产生推荐,由于评分矩阵的稀疏性,导致了用户间相似度计算困难。同时传统的协同过滤方法只考虑用户的相似度,忽视了用户之间的社会关系。基于信任的方法使用信任值代替用户相似度计算,通过信任的传递从非直接邻居中在寻找最近邻,可能会找到一些口味不一致的用户,降低最近邻搜索的准确度,导致推荐正确度下降。●新用户问题。新用户是指刚加入推荐系统的用户,一般没有评价过对象或者评价信息很少,因此很难计算新用户与其他用户的相似度。同时,新用户在信任网络中往往是孤立的节点或者只有很少的信任关系,他们并不知道该信任哪些用户。因此不论是早期的基于内容的方法,还是基于协同过滤的方法和基于信任的方法,都无法很好的解决推荐系统中的新用户问题。为了解决上述问题,在开放环境下给用户提供更有效的个性化推荐,更好的解决信息过载问题,本文对推荐系统的研究现状和已有研究结果进行了分析,结合信任网络和专家用户对推荐系统中的问题进行了相关的研究。本文的主要工作总结如下：●提出了一个基于信任网络的推荐系统框架。本文对现有的推荐系统进行了分析,针对其中存在的数据稀疏性问题和新用户问题,通过引入信任网络和专家用户分别提出了信任值与相似度结合的混合推荐方法和基于专家用户的推荐方法来解决这两大问题,并在此基础上提出了一个基于信任网络的推荐系统框架。●提出了信任值与相似度结合的混合推荐方法。针对推荐系统存在的数据稀疏性问题,本文提出了一个综合信任值与相似度的混合推荐方法,通过引入用户相似度作为信任度的一个补充,综合考虑社会网络中的信任度和用户口味的相似度,可以更精确的找到目标用户的最近邻居集合,从而提高了最近邻搜索的准确度,改善了推荐系统的效果。●提出了基于专家用户的推荐方法。针对推荐系统存在的新用户问题,本文提出了一个基于专家用户的推荐方法,通过在信任网络中发掘出专家用户,然后利用这些专家用户来扩展新用户的信任网络,从而能够给新用户提供有效的推荐信息,在一定程度上解决了推荐系统中的新用户问题。●设计实现了Android平台手机软件推荐系统。基于本文的推荐系统模型,设计实现了一个Android平台手机软件推荐系统,系统可以有效的给用户个性化的推荐手机软件,初步验证了本文的推荐方法的可行性。