Los sistemas de recomendación basados en la desconfianza han atraído mucha más atención y se han vuelto ampliamente aceptables en los últimos años. Trabajos anteriores han investigado el uso de información de confianza para establecer mejores modelos para la predicción de calificaciones, pero hay una falta de métodos que utilicen relaciones de desconfianza para derivar modelos de clasificación más precisos. En este artículo, desarrollamos un modelo novedoso, llamado TNDBPR (Ranking Personalizado Bayesiano de Desconfianza Neutral), que aprovecha simultáneamente las relaciones de confianza, desconfianza y neutralidad para la clasificación de artículos. Los resultados experimentales en el conjunto de datos de Epinions sugieren que TNDBPR, al aprovechar las relaciones de confianza y desconfianza, puede aumentar sustancialmente diversas evaluaciones de rendimiento, incluyendo la puntuación F1, AUC, Precisión, Recuperación y NDCG.