在互联网环境下,海量的信息资源使得用户享受到科技带来的便捷,然而,近年来,信息过载问题已经在一定程度上开始影响用户对互联网应用的体验。如何能从繁杂的信息中筛选出用户所需的有价值的信息,并加以呈现,成为学者思考的问题。推荐系统是信息过载问题的一个解决方案,它通过用户的历史信息进行个性化推荐。但是,随着推荐系统中用户数量不断增多,用户的历史评分数据相对较少,系统出现了评分数据稀疏、推荐长尾现象严重及推荐结果多样性差等问题。针对上述问题,本文对国内外现有的研究成果进行总结和分析,提出了一种基于社会化网络信息的协同过滤推荐方法。协同过滤算法是推荐系统中使用非常广泛的一种算法,但是由于历史数据稀疏等问题,仅依靠历史数据经常不足以支撑系统分析挖掘用户兴趣。为了改善这一问题,本文通过社会网络提供的用户之间的信任信息,从全局/局部信任、单路径/多路径信任、单向/双向信任等多个维度构建了基于社会信任关系的用户相似性计算方法。在推荐缺乏多样性和长尾现象严重问题上,本文提出一种基于时间上下文和项目置信度的用户相似度计算方法。结合基于社会信任关系的用户相似性计算结果,构造信任用户-项目评分矩阵,计算用户兴趣相似性,并综合基于社会信任的用户相似性、项目置信度和时间上下文因素得到目标用户的最近邻居集,预测用户对项目的评分,给出推荐列表。最后,本文借助Extend Epinion数据集对所设计算法进行实验验证,并与传统基于用户的协同过滤算法、基于社会信任的协同过滤算法进行实验对比。从实验结果证明,本文提出的推荐方法在推荐准确率和覆盖率方面的效果提升显著。