基于信任的推荐系统是一种推荐引擎，它结合了用户之间显式或隐式的信任关系来生成个性化建议。与依赖用户-项目交互（例如，评分或购买）的传统协同过滤不同，基于信任的系统优先考虑来自被目标用户认为值得信赖的用户的输入。这种方法假设来自可信来源的推荐更可靠和相关。例如，如果用户 A 明确关注用户 B 或将用户 B 评为可信，则在为用户 A 生成推荐时，系统将更侧重用户 B 的偏好。
基于信任的系统和传统方法之间的主要区别在于它们的数据来源以及对常见问题的抵御能力。协同过滤通常会遇到冷启动问题（数据很少的新用户/项目）和稀疏性（有限的交互）。基于信任的系统通过利用社交或推断的信任网络来缓解这些问题。例如，即使新用户没有对很多项目进行评分，其受信任连接的行为也可以为推荐提供基线。此外，信任网络降低了恶意攻击（例如，虚假评论）的脆弱性，因为推荐依赖于预先建立的信任而不是聚合行为。但是，构建和维护信任网络需要额外的数据，例如显式的用户认可或从交互模式推断的关系。
基于信任的系统的一个实际例子是社交媒体平台，用户可以在其中关注特定主题的专家。如果用户信任一位科技评论员，系统可能会优先推荐该评论员认可的产品。另一个例子是电子商务平台，允许用户将其他人标记为受信任的购物者，使用他们的购买历史来推荐商品。这些系统通常将信任指标与传统的协同过滤结合起来，形成混合模型。对于开发人员来说，实施基于信任的系统涉及基于图的算法（例如，通过网络传播信任分数）或将信任关系集成到用户-项目交互矩阵中的矩阵分解技术。诸如 Apache Spark 的 GraphX 或 Python 的 NetworkX 之类的工具可以帮助有效地建模这些关系。