在信息过载的年代,用户想要从海量信息中找到感兴趣信息非常耗费精力。针对这个问题,推荐系统根据用户信息学习偏好,然后从海量信息中挖掘出用户感兴趣的信息推荐给用户。但在实际应用中,推荐系统存在着数据稀疏性、冷启动等问题,这些问题降低了推荐系统的推荐效果。针对这些问题,相关研究从增加多种辅助信息方面来缓解这个问题。本文对辅助信息中的社交用户关系和属性信息方面进行研究,发现了一些现有研究存在的不足,针对这些不足之处,提出两种算法,并进行实验分析以证明算法的有效性。本文的主要工作和成果如下:1.在社交信息方面,提出了一种基于个体差异的社交融合方法。针对传统方法在评估社交用户信任值的不足,采用使用PCC、JACCARD的融合计算的评分相似度和社交朋友数量信息计算社交信任值。针对用户在决策时,受到自身兴趣和朋友兴趣的影响的个体差异,采用可变方式融合用户兴趣和朋友兴趣来预测用户对商品的评分,并使用相应正规项以避免过度拟合。实验结果表明该方法可以在一定程度上提升预测精度。2.在属性信息方面,提出基于属性偏好自学习的推荐方法。针对社交网络中关系形成速度慢且获取难度高的问题,从属性信息方面来缓解数据稀疏性和冷启动问题。针对用户、商品协同过滤具有可解释性但运行速度慢、矩阵分解模型运行速度快但缺乏可解释性,采用用户对属性值的偏好程度和属性值对商品的评分来预测用户对商品的评分。实验结果表明该模型运行时间较快、且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分解模型。3.论文最后设计一个通用推荐系统。该系统使用评分数据、社交网络信息、属性信息来,根据用户信息的稀疏程度使用不同模型来缓解推荐系统存在的冷启动和数据稀疏性问题。