随着移动互联网的快速发展,社交网络与互联网上的各个行业相互渗透,社交裂变效应明显。对社交网络中的用户及用户之间的关系进行挖掘,以提供更好的推荐服务,已成为当今的研究热点。基于社交网络的推荐算法利用用户的社交关系来缓解评分数据稀疏问题。但是基于直接社交关系的矩阵分解推荐算法存在直接社交关系稀疏问题,影响推荐结果的准确度。针对上述问题,本论文重点研究间接社交关系对推荐算法的影响,利用社区结构和社交影响力来实现更好的推荐效果:一是直接使用社交网络结构信息来计算存在间接社交关系的用户之间的影响力;二是研究社交网络中用户画像构建以更好地挖掘用户的特征信息,然后利用用户画像来计算用户之间的影响力,以提升推荐结果的准确度。本文的主要工作和成果如下:(1)基于社交网络的影响力计算及推荐为了缓解直接好友关系稀疏问题,考虑到同一个社区内的用户在一些方面会存在相似性,彼此之间会产生影响,本文利用社区内用户间社交关系进行推荐。研究社区内用户之间的相互影响,提出了一种融合社区结构和社交影响力的矩阵分解推荐算法SoInf。算法同时使用用户评分信息和社交网络结构信息,来计算用户间社交影响力并构建推荐模型。在使用社交网络结构信息计算用户之间的影响力时,结合用户之间的社交距离。考虑到个人影响力大的用户更容易影响其他用户,将用户的个人影响力和用户之间的影响力相结合,得到非对称的用户之间的影响力。将社区信息和用户之间的影响力同时结合到推荐算法当中,来增强推荐效果。实验证明该算法在准确度上比现有的算法有了一定的提升。(2)基于社交网络的用户画像构建为了更好地利用社交网络结构信息,获得更准确的用户特征信息,用以提升推荐效果,本文提出了一种基于深度神经网络的用户画像构建算法DBTNR。由于随机游走产生的节点序列中的节点和文档中的单词一样都遵循幂律分布,算法将通过随机游走产生的用户节点序列当成句子,使用自然语言处理中的模型进行用户画像构建。考虑用户之间社交距离的差异,将用户在序列中的位置信息结合到用户画像构建当中。并且使用深度双向转换编码器同时关注用户节点的左右节点,来更好地获取用户在网络中的局部信息和全局信息,以提升用户画像的准确度。通过实验证明了DBTNR算法构建的用户画像的准确性。(3)基于用户画像的影响力计算及推荐本文使用用户画像来计算用户之间的影响力,结合社区结构信息,提出了一种基于用户画像的矩阵分解推荐算法SoUMPF。算法使用社区发现算法得到用户的社区信息,然后在社区内使用用户画像来分析用户之间隐式特征的差异,以计算用户之间的影响力。最后将社区信息和用户之间的影响力结合到矩阵分解推荐算法中。通过真实的数据集验证了提出的算法在多种评价指标下准确度都比较高,具有更好的推荐效果。