伴随着互联网的普及,特别是新兴移动应用之间的泛在互连,各类数据呈现爆炸式增长,如何从中快速获取有用信息变得越来越难。在此背景下,推荐系统应运而生,在对抗信息过载问题方面扮演着重要角色。协同过滤(Collaborative Filtering)是构建推荐系统的关键技术之一,其核心思想是从“用户-物品”历史交互数据(如评分)中挖掘用户的潜在信息偏好,并据此为用户预测其未来可能感兴趣的物品。但是,相比于庞大的用户和物品规模,可观测的评分数据显得非常稀疏,进而严重制约了协同过滤算法的推荐性能。为了应对数据稀疏问题,学者们提出使用边信息或未标记数据改善协同过滤算法的推荐性能,两类方法各有所长,但却鲜有结合两种思路的混合研究方案。鉴于此,本文提出一种联合使用边信息与未标记数据的协同过滤方案,以更为有效的方式应对数据稀疏问题,从而获得更大程度的推荐性能提升。该方案在协同训练框架中,采用基于用户近邻的协同过滤方法和基于物品近邻的协同过滤方法初始化两个基推荐器;在后续迭代过程中,每个推荐器独立预测未标记数据并将预测置信度较高的若干伪标记样本加入对方训练集,重新训练,以获得推荐性能渐进式提升;重复该过程,直至收敛。同时,该方案还在用户近邻方法中融入了社交边信息,包括利用社交信息改进相似性计算、更新近邻、升级预测公式等,以此增加两个基推荐器之间的差异性,从而达到更好的协同训练效果。此外,本文还在协同训练框架中增加了伪标记样本的置信度验证环节,用以防止半监督学习算法因误用噪声样本引起的性能衰减。实验结果表明,联合使用边信息和未标记数据可有效缓解数据稀疏问题,本文所述方案的推荐性能明显优于单独使用边信息或未标记数据的其他协同过滤技术。本文主要贡献可归纳为以下三点:1)验证了联合使用边信息与未标记数据的可能性和有效性,为缓解数据稀疏问题提供了新思路;2)提出一种协同训练框架下联合使用未标记数据和社交边信息的协同过滤方案,大幅提升了推荐系统性能;3)将半监督学习与多种社会网络分析技术相结合,一定程度上丰富和完善社会化推荐系统领域的研究内容。