针对传统基于用户的协同过滤算法较少考虑信任对象所处环境的实时变化，提出一种结合社交网络的专家信任推荐算法。为更好地量化对象之间的信任度，首先利用专家的评价可信度、活跃度、评价偏差度等量化因子计算得到专家的信任值；其次在评分形成的过程中与近邻算法相融合，明确用户与“专家”和“近邻”的偏好，当可选专家人数小于预先设定的阈值时，利用协调因子动态调整近邻算法与改进专家算法的权重，以便获得更加客观的项目评分。最终实验结果表明，在不同大小的MovieLens数据集上相比于传统的算法，提出的推荐算法在实时推荐预测准确度方面有显著提高。