当前我国各个产业都在积极拥抱互联网,电子商务在大众日常生活中扮演着越来越重要的角色。然而信息过载使得用户做出购买决策成为了一个难题。当前解决该问题的主要方式是使用推荐系统,根据用户和项目的相关信息给不同的用户推荐个性化的产品或服务。在推荐系统的设计中,项目的评论信息和用户的社交信息对推荐系统的性能提升有着重要的意义,一方面,评论信息是用户在电子商务中做出在线采购决策的主导因素,另一方面,用户社交信息对缓解推荐系统冷启动问题也有很大的帮助。虽然一些现有的模型利用评论信息改进了推荐系统的性能,同时考虑了评论信息的可信度对推荐质量的影响,提出了一种具有评价水平解释的神经注意力回归模型(Neural Attentional Rating Regression with Review-level Explanations,NARRE),但该模型没有考虑用户的社交信息,其推荐性能还有提升空间。因此,本文主要工作是在原有的NARRE模型上进行了改进,在数据源中加入了用户的社交信息,然后用神经网络模型提取三个不同方面的特征:第一,从用户评论信息中提取用户的偏好特征;第二,从项目评论信息中提取项目的隐含特征;第三,从用户社交网络中提取用户的社交特征。最后,将以上三方面的特征与矩阵分解模型相融合得到最终的推荐结果。整个模型通过引入用户社交信息可以缓解算法的稀疏问题和冷启动问题,从而提高推荐算法的性能。具体地说,本文的主要工作有:(1)提出了结合矩阵分解和神经网络的多源异构数据推荐模型。基于现有的NARRE模型,在数据来源上加入了用户的社交信息,使得推荐性能有了进一步的提高。(2)在预测层的设计上结合了传统的矩阵分解技术,把利用神经网络模型提取的用户偏好特征、项目特征和用户社交特征与矩阵分解模型相融合,很好的缓解了推荐模型的稀疏问题和冷启动问题,并提高了推荐算法的性能。(3)根据提出的结合矩阵分解和神经网络的多源异构数据推荐模型,设计并实现了一个餐厅推荐系统,数据集使用Yelp数据集,实现了用户管理、餐厅搜索、餐厅信息查看和用户个性推荐功能。