近年来,随着信息技术和互联网技术的飞速发展,信息量呈现出指数级的增长,如何从海量信息中找到用户所需要的,逐渐引起了人们的关注。例如,在互联网时代,电商网站发展迅猛,但用户也面临着如何在数以千万计的商品中选择商品的问题。而推荐系统的出现,就能解决这一问题。最常见的推荐系统,主要的工作原理就是收集用户所感兴趣的物品或者信息,然后将物品或者信息归类整理,最后将相同类别的推荐给该用户。推荐系统不仅能够为用户节省选择时间,提升用户体验,同时也能给电商网站带来更多的收益。本文首先介绍了目前常用的各种推荐系统,包括基于协同过滤的推荐算法、基于内容的推荐算法、基于知识的推荐算法、基于信任的推荐算法和基于混合过滤的推荐算法;详细的介绍了常见推荐系统存在的问题与挑战,比如冷启动问题、数据稀疏性问题等等;系统的介绍了关于推荐系统中常见的评价指标,比如绝对平均误差、覆盖率等等。接着,本文从用户的角度出发,提出了基于用户间信任的推荐系统预测方法,该方法利用信任评级的社交网络来给信任他们的用户生成推荐。该方法定义了用户间的信任值,利用信任的传递性,通过量化用户间的信任关系计算信任值来对某个未评分物品进行预测评分,从而来缓解冷启动和数据稀疏的问题。然后,本文又从物品的角度出发,将机器学习中的决策树算法和基于内容的推荐系统相结合,构成基于内容的智能推荐方法。利用决策树算法,将物品的分类更加精细与明确,从而进一步缓解物品冷启动问题,带来更好的推荐效果。最后,将基于信任传递的推荐算法和基于内容的智能推荐方法结合起来,构成基于信任传递的智能推荐方法。通过实验仿真和对比,验证了该方法的有效性。