很多互联网公司使用推荐系统作为主要工具来解决信息资源飞速增长引起的信息过载问题。然而,推荐算法普遍存在的冷启动问题、数据稀疏性问题和可扩展性问题导致了推荐算法的准确度不高等严重问题。随着Facebook、Twitter、微博等各种社交网络平台的兴起,社交信息正逐渐被用于推荐系统中。研究表明,在推荐算法中合理运用社交信息不仅能有效地缓解数据稀疏性问题且能提高推荐算法的准确度。本文深入挖掘社交信息和评分信息,从中获取专家用户并将其和协同过滤推荐算法结合,计算用户对未评分项目的评分预测值。本文主要工作和创新如下:1.提出一种在信任列表中添加专家用户的社会化推荐算法(ETSVD)。首先,使用隐式信任度量方法生成信任值;其次,根据信任信息和评分信息确定选取专家的准则,并将专家填充到用户的信任列表,减少信任数据的稀疏性;最后将信任列表中的用户评分行为作为隐式反馈,构建新算法ETSVD来进行评分预测。2.提出一种信任好友和专家用户双重影响的社会化推荐算法(ETBRec)。首先,根据信任信息和评分信息选取专家用户;其次,结合直接信任和间接信任这两种信任方式生成信任值;最后将专家用户直接作用于预测评分的方式和信任好友通过影响用户特征向量间接作用于预测评分的方式以及偏置信息相结合,构建新算法ETBRec来进行评分预测。最后,本文将ETSVD、ETBRec两个算法分别和前沿算法进行对比,结果表明本文算法在平均绝对误差(mean absolute error,MAE)和均方根误差(root mean squared error,RMSE)两个评价指标上都优于对比算法。表示本文所提算法具有更高的推荐准确度。