随着在线社交网络的日益流行,目前很多推荐算法都利用社交网站上透明的用户历史行为数据和社会网络关系数据,来更好地辅助信息消费者完成信息过滤,找到感兴趣的内容,更快地帮助信息提供者进行针对性的信息投放。本文就是在这种大背景下,对各种传统的推荐算法尤其对社会化推荐相关研究进行了充分地分析,找出了各类以概率模型和矩阵分解模型为基础的社会化推荐算法的切入点,结合现实生活中用户兴趣和用户间协同影响随领域变化的敏感性,并针对当前社会化推荐中信任关系融入不合理情况进行分析,提出了两种敏感领域的社会化推荐算法。本文的主要工作和创新是:1.为了更合理地融合信任关系对用户评分的影响,并捕捉用户个人兴趣跨领域变化的特征。本文提出了一种基于领域敏感兴趣圈的社会化推荐(DSC-PMF)算法,DSC-PMF算法通过DSC模型构造领域敏感的兴趣圈,并结合概率矩阵分解推荐算法,对用户进行推荐。DSC模型仅考虑兴趣相似朋友的影响,用信任划分的方法度量了不同朋友的影响程度,同时引入用户领域敏感度来衡量用户受朋友影响的意愿程度。2.针对当前社会化推荐算法没有考虑用户协同影响随领域变化的敏感性,提出了一种敏感领域划分的社会化推荐(SDD-RPM)算法,SDD-RPM算法通过同时探索用户项目交互信息和用户社会信任网络信息构造正则化项,以此来约束存在社会关系的用户集,强相关的用户-项目对和属性相关的项目集,建立敏感领域检测(SDD)模型,同时利用用户潜在兴趣向量和项目潜在特征向量作为联通桥梁交换敏感领域信息和预测评分信息,实现用敏感领域信息指导用户项目潜在特征空间的探索,形成统一推荐框架。3.通过在实际数据集Yelp和Epinion上进行实验,来检验本文提出的改进算法预测的准确率。对比实验表明:本文提出的两种领域敏感的社会化推荐算法较当前流行的推荐算法在预测准确率上有较大提升,一定程度上缓解了数据稀疏和冷启动问题。