传统的推荐系统通常主要专注于充分利用用户-项目的评分信息,而随着推荐系统应用场景的不断扩展,仅仅依据用户-项目间的二元评分关系进行相关推荐,往往无法获得令人满意的推荐效果。社会化推荐系统将社交信息作为辅助数据,试图通过考虑社交网络中的社交关系和评分数据来提高推荐系统评分预测和项目排序推荐任务的准确性。目前,学者们针对社会化推荐算法取得了一系列研究成果,但依然存在如下不足:(1)虽然已将社交关系融入了相似度的计算之中,但是社交关系和评分数据中的隐含信息并未得到充分挖掘;(2)社会化推荐算法采用了矩阵分解中点积方式,这种方式的固有不足会造成推荐结果的误差;(3)评分预测和项目排序是推荐系统的两大任务,虽然可通过融入社交关系来提高推荐准确率,但项目排序的依据依然是评分信息。针对以上存在的问题,本文重点开展了如下工作:(1)提出了一种融合信任关系和用户隐含相似度的推荐算法。该算法同时考虑用户分别作为信任者和被信任者时与其好友间的相似度,间接实现了信任传递,从而更全面利用了评分信息和信任关系的隐含信息。同时,算法利用用户特征向量来计算用户的评分相似度,而不需考虑共同评分集合;利用信任关系的特征向量来计算用户的社交关系相似度,而不需考虑共同好友集合,有效消除传统的相似度函数由于缺失共同对象而造成的数据稀疏性问题。此外,算法对防止过拟合的正则化项进行了自适应加权约束,实现了修正误差的最小化。在两个数据集的一系列对比实验结果表明,该方法有效提高了推荐系统评分预测的准确性,并且能有效地缓解数据稀疏性和冷启动问题。(2)提出了一种基于度量学习的社会化推荐算法。该算法可用于评分预测和项目排序两个经典的应用场景,并分别对应评分预测社会化推荐模型和项目排序社会化推荐模型。算法中引入距离度量学习,弥补了矩阵分解点积方式的不足,并使整个过程更具有直观意义和解释性,该方法分四步实现了评分预测和项目排序的推荐任务。首先,将偏好矩阵(评分矩阵或隐式反馈矩阵)转化为距离矩阵;其次,引入置信机制,为相对可靠的评分设置更高的置信程度,同时通过度量学习对距离矩阵进行分解,将用户和项目嵌入到统一的低维空间;然后,通过距离约束,拉近用户与偏好项目和信任好友间的距离,推远用户与不喜欢的项目和不信任好友间的距离,从而更充分挖掘了社交关系对距离的影响;最后,得到用户和项目在低维空间的位置后,分别应用于评分预测和排序推荐两个应用任务。在两个数据集的一系列对比实验结果表明,该方法有效提高了评分预测的准确性以及项目排序推荐的精确率和召回率,并且也能有效缓解冷启动问题。综上,数据稀疏问题、冷启动问题、社交关系和评分数据中的隐含信息挖掘不充分等问题在本文研究中都得到了较好解决。提出的融合信任关系和用户隐含相似度的推荐算法,为解决社会化推荐系统中相似度的计算问题提供了很好的解决思路。提出的基于度量学习的社会化推荐算法,为如何更好地将社交关系与传统推荐系统进行融合的研究提供了新的方法,为社会化推荐系统中的评分预测任务和项目排序推荐任务问题进行了有效的改善优化。