推荐系统作为一种解决信息过载的关键技术,通过挖掘用户对项目的行为信息,构建有效的推荐算法为用户推荐可能感兴趣的内容。近年来,随着Facebook、微博等各种社交网络平台的普及,社交推荐系统逐渐成为推荐系统领域的一个重要研究热点。与传统推荐算法相比,社交推荐算法能够一定程度上缓解冷启动问题,并且提高推荐精度。但是,由于用户的在线活动、交互行为时刻发生变化,使得数据信息量不断膨胀,无疑增大了社交推荐算法的计算代价,系统的可扩展问题亟待解决。本文就如何解决推荐过程中的冷启动、数据稀疏、可扩展性问题,对传统的协同过滤推荐算法及相应的优化算法进行深入研究,包括社交协同过滤算法和增量协同过滤算法。本文的研究工作主要体现在以下几个方面:1)针对传统的推荐算法存在的冷启动和数据稀疏问题,提出了一种新的基于信任关系的社交推荐算法SocialSVD++。本文将信任关系引入协同过滤算法中,首先针对社交数据集中信任值多为二进制数[0,1],不能体现用户间信任程度的不同,采用度中心性对原始信任数据进行数值化处理。然后对评分数据的显式、隐式影响和信任数据的影响进行SVD++建模。2)针对SocialSVD++算法训练模型时需要遍历所有数据,实时性差的问题,进一步提出了用于处理评分动态变化的增量更新算法Incremental SocialSVD++。本文首先利用原始评分矩阵和数值化的信任矩阵对模型进行静态训练,然后在新评分数据量达到更新阈值时,根据新评分数据集关联的用户、项目,从当前所有数据中动态抽样增量评分矩阵和数值化的增量信任矩阵,对模型进行增量训练,最后线性加权静态训练和增量训练得到的预测评分计算最终预测评分。实验表明,本文提出的SocialSVD++算法在两个社交数据集上均表现出优于其他几种社交协同过滤算法的推荐精度,并在一定程度上缓解了用户冷启动、数据稀疏问题。Incremental SocialSVD++与SocialSVD++相比,既保证算法具有较高的推荐精度,又减小了计算代价。