针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响，并且未能将用户评分与信任数据进行有效结合的问题，提出一种融合信任隐含相似度与评分相似度的社会化推荐算法（SocialTS）。首先，将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友；然后，将信任关系融入到项目的相关性分析中，从而得到修正后的相似项目；最后，将相似用户、项目作为正则项添加到矩阵分解（MF）模型下，从而获取用户、项目更准确的特征表示。实验结果表明，当潜在特征维度为10时，与主流的社会化推荐算法TrustSVD相比，SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差（RMSE）分别降低了4.23%和8.38%，平均绝对误差（MAE）分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题，还能较为准确地预测不同评分数量下用户的实际评分，且具有良好的鲁棒性。
