随着计算社会化的持续发展,推荐系统已广泛应用于电子商务、移动新闻和社交网络等领域。作为一种筛选和过滤信息的重要工具,推荐系统旨在从海量数据中主动推荐满足用户个性化需求的信息。然而,传统的推荐系统仅利用用户的行为数据,即用户和物品的二元关系建模用户兴趣偏好,推荐过程中的数据稀疏、冷启动、可扩展性等问题导致推荐质量难以满足用户需要。近年来,随着在线社交网络的快速发展,各种社交关系数据为个性化推荐系统提供了丰富的数据源,为解决推荐系统面临的数据稀疏和冷启动问题带来了契机。同时,社交网络中用户社交关系连接的稀疏性、复杂性和社交关系对用户决策影响的差异性,成为社会化推荐系统中用户兴趣建模面临的新挑战。如何在推荐算法中融合社交关系的影响,提高推荐系统的性能,成为推荐系统领域研究的重点内容。现有的推荐方法主要从技术角度利用直接信任关系建模用户兴趣偏好,而忽略了间接社交关系对推荐性能的影响。本文主要针对已有工作存在的问题和挑战,从社会学角度分析各种交互信息对推荐性能的影响,不仅利用显式,而且同时利用隐式社交关系建模用户兴趣,研究融合多种影响因素的社会化推荐方法。本文的主要工作和贡献如下:1.提出一种基于用户多兴趣挖掘的混合推荐方法。数据的稀疏性是影响聚类效果和推荐质量的重要因素。针对用户-项目评分数据的极度稀疏问题,该混合推荐方法分两步实现对缺失评分的预测并进行推荐。首先,从提高聚类质量的角度,通过结合项目-属性关系将用户-项目评分矩阵转换为用户对项目属性的偏好以解决数据稀疏问题,然后基于概率隐语义分析模型对用户进行聚类,并挖掘用户的多兴趣偏好,从而对部分缺失评分进行预填充。其次,将用户信任关系、项目特征相似性与矩阵分解技术相结合,提出一种增强的社交矩阵分解模型,从而预测所有评分。实验结果表明,本文提出的混合推荐方法在推荐准确率和多样性上优于现有的社会化推荐方法。2.提出一种融合用户社会地位和同质性的推荐方法。信任关系反映了社交网络中用户之间的依赖程度。用户之间的信任强度取决于其对某一领域的擅长程度,同一用户在不同领域,可能其擅长程度不同,即有不同的权威性,因此,每个用户在不同领域对信任用户的贡献程度应该不同。同时,具有相同社会背景的用户,其兴趣偏好可能趋于一致。然而,目前的推荐算法将被信任用户同等对待,忽略了用户在不同领域中可信程度的差异性和相同社会背景用户兴趣相似性的影响。针对该问题,考虑到在各自领域中不同权威程度的用户对其信任朋友的不同影响程度和相似社会背景用户的兴趣偏好一致性,本文从社会学角度分析用户社会地位和同质性对推荐质量的影响,建立相应的权重关系模型,并将其融合到矩阵分解模型,从而提高推荐质量。3.提出一种基于社交关系上下文的推荐方法。社交关系上下文即社交网络中用户的连接情况对于提高推荐质量起着重要作用。社交网络中用户与项目的交互信息间接地反映了用户间的社交关系。针对社交关系的稀疏性,本文深入分析用户与用户、用户与项目及项目属性的交互过程中隐含的社交关系,通过对用户社交关系和项目社交关系进行增强,并将改进后的社交关系影响因素融合到矩阵分解模型,同时利用用户社交关系和用户兴趣相似性对用户隐特征空间进行约束使之趋近于真实值。实验结果表明,本文提出的推荐方法在推荐准确率上优于现有的基于社交网络推荐方法。4.提出一种融合信任关系和社会标签的社会化推荐方法。社交网络中用户社交关系复杂多样,因此直接建模社交关系易导致用户偏好模型失真,从而影响推荐性能。为了解决直接度量用户(项目)社交关系带来的推荐准确性不高的问题,本文提出一种改进的融合信任关系和社会标签的社会化推荐方法,通过分析显式和隐式社交关系对推荐质量的影响,利用信任关系和社会标签信息分别将用户隐含的特征和项目隐含的特征映射到一个共享的空间,并不断对其训练,通过考虑多种影响因素以获得更为准确的用户相似性和项目相似性,从而提高推荐系统的性能。实验结果表明,本文的方法在推荐准确率和多样性上优于其他基于社交网络的推荐方法,客观上验证了算法思想的合理性。