近年来,互联网快速发展,网络技术日新月异,社交网络随之不断涌现、广泛普及。其中,随着线下与线上社交活动相结合,一种以事件为媒介的,以Meetup,Plancast和Douban等网络平台为代表的,将线上与线下相结合的社交网络——基于事件的社交网络(Event-based Social Networks,EBSN)得到快速发展。不同于以往的社交场景,基于事件的社交网络中的用户可以浏览线上群组信息参与线上互动,又可以根据线上体验进而决定是否参与线下事件。然而,新颖的社交方式,巨大的用户群体,海量的事件数据,复杂的行为交互,使得用户难以在平台中快速发现自己感兴趣的事件、兴趣群组。因此,基于上述原因,为了给用户更好的体验,研究EBSN中的推荐算法非常急切且必要。然而,由于EBSN的网络特殊性质,仅面向用户的传统推荐方法已不再能解决实际需求。同时,为了满足用户的多种需求,应当实现多任务推荐。合理的EBSN推荐算法应同时考虑用户、事件和兴趣群组的特征,即,在尽可能满足用户偏好兴趣的同时,要保证特征的全局均衡分配,充分计算特征间相互关系。因此,本文对EBSN联合推荐算法及其应用展开了研究,概述如下:(1)介绍了EBSN这种新型的社交网络结构并分析当前研究EBSN推荐的意义。分析了该课题国内外研究现状与难点,探讨目前已有的不同EBSN算法的优缺点,为该课题领域后续的研究提供思路和理论基础。(2)针对EBSN中复杂的行为交互问题,在因子分解机模型的基础上,从用户-事件、用户-兴趣群组、文本三个层面构建模型,并利用LDA主题模型提取文本的主题特征和共享潜语义空间的方式,提出了基于内容的协同分解机推荐算法(Content-based Co-Factorization Machine,CC-FM),提高了推荐的效果。(3)目前EBSN推荐算法多为单一的用户-事件推荐,然而该类型的社交网络中含有丰富的信息和多样化的功能,使得用户不仅对网络中的事件感兴趣,还需要平台提供其他服务,如:用户-兴趣群组推荐服务。为了更好地满足社交网络中用户的多种需求,本文提出的算法通过联合推荐机制,在一个算法框架中实现用户-事件推荐和用户-兴趣群组推荐。最后本文在真实的EBSN数据集上,并针对该社交网络中的事件具有时效性的特性构建测试集,进行了事件和兴趣组推荐的相关对比实验,验证了模型效果。相较于传统的推荐算法,本文提出的方法在多个指标上均有提升。