随着社交多媒体信息的迅速增长,用户获取感兴趣信息的难度越来越大,个性化的社交推荐技术变得尤为迫切。在社交多媒体计算模型的研究中,多种模态信息的“语义鸿沟”以及信息过载带来的“意图鸿沟”一直是困扰社交多媒体技术发展的瓶颈问题。为减轻语义鸿沟与意图鸿沟对社交多媒体计算的阻碍,本论文旨在研究社交多媒体环境下,视觉信息语义鸿沟与多模态信息协同关系在社交推荐中的作用,通过挖掘社交多媒体信息间的隐含关联,建立跨模态信息关联,为用户提供个性化的社交推荐。主要完成三部分工作:1、研究了一种递进流形排序的图像推荐算法。考虑到视觉信息复杂多变、内容差异参差不齐,根据图像视觉信息的差异程度,以从易到难的策略,渐进地提升模型的学习能力,以流形排序的方式估计用户图像相关度,为用户推荐个性化的图像。2、研究了一种流形模块化排序的图像推荐算法。利用流形的局部语义分布关系将全局流形模块化为多个子流形,以避免语义交叉对模型学习的干扰,同时降低流形学习的计算负担。建立数据规模可扩展的流形学习模型,通过在子流形上依次传播用户的历史记录推断稠密的用户-图像相关性,为用户提供个性化的图像推荐。3、研究了一种多模态流形协同的图像推荐算法。利用用户的兴趣分布传播图像的用户记录,让用户了解大众的兴趣趋势,根据用户的个人兴趣选出符合用户潜在兴趣的图像候选集。另外,沿着密集的视觉流形关系传播用户的图像记录,为图像候选集估计用户个性化兴趣的语义相关性,以候选图像用户相关性排序为用户推荐个性化的图像。