随着互联网的迅速发展,网络中的信息量变得十分庞大,用户难以在网络中寻找自己感兴趣的信息。推荐系统能够发现用户兴趣偏好并预测用户行为进而推荐给用户有可能感兴趣的信息或者商品,极大地解决了信息过载的问题。其中,协同过滤算法因具备简单、高效以及可解释强的特点,在推荐系统领域得到了广泛的应用。但是传统的协同过滤算法常常忽视了用户之间的影响模式以及用户自身历史行为,限制了推荐系统的性能。本文针对这些问题提出了解决方案并同时将用户之间的社交关系结合到推荐算法当中,进一步提升了推荐系统的准确性。本文的研究工作和创新点如下:(1)分析了用户在网络中影响力的传播形式,提出了一种基于信息传递模型与隐式反馈的推荐系统。除了评分这类的显性影响之外,还有一种隐性影响在评价了同样商品的用户之间传播。本文研究了这种传播的具体形式,并将之引入到推荐系统中。同时将显性的信任关系结合到推荐系统的矩阵分解框架中,进一步提升了推荐质量。在两个真实数据集中的一系列实验表明,该模型相比其他流行的主流推荐模型取得了明显的进步。(2)从深层次提取了用户与商品之间的非线性关系,并分析了用户历史行为对当前行为的影响形式,提出了一种基于人工神经网络与注意力机制的推荐系统。本文通过使用人工神经网络获得更多的非线性因素来模拟用户和商品之间的相互行为,并且独创性地利用信息传递模型模拟用户自身的历史行为受到网络中其他用户的影响,以此实现注意力机制并结合用户信任关系为用户进行推荐。实验结果表明,该系统的推荐质量较之其他代表性的神经协同过滤模型取得了明显的提升。