推荐系统被广泛应用于各大网站来向用户提供个性化的物品推荐,比如购物网站Amazon和视频网站Netflix。由于推荐系统可用来缓解互联网上信息量快速增加所带来的信息过载问题,个性化推荐技术在工业界和学术界都是重要的研究领域。然而,因为缺少足够的用户历史行为数据,传统推荐系统经常遇到数据稀疏度高和冷启动问题。随着在线社交网络变得越来越流行,社交数据对于缓解推荐系统中遇到的数据稀疏度高和冷启动问题变得越来越重要。比如像信任数据和朋友数据都可以作为用户的历史评分数据的补充数据。本文研究如何使用社交网络关系数据作为补充输入来提升推荐系统的准确性。本文的主要贡献如下:(1)为解决直接使用显式声明的好友关系所可能带来的次优推荐结果,本文提出了一个名为IFHN(Implicit Friends Extraction from Heterogeneous Information Network)的社会化推荐系统模型,这个模型使用原路径从异构信息网络(HIN)中提取出用户的可靠隐式好友。首先,将用户-物品网络和用户社交关系网络结合起来,构建一个异构信息网络;然后,根据HIN的结构设计一组元路径,在这些元路径的指导下在HIN中执行随机游走,以生成由不同类型节点串联而成的节点序列;接下来,这些节点序列通过一个异构信息网络嵌入方法来学习得到用户的低维特征表示。得到用户的特征表示后,通过余弦相似度计算可得到与每一个用户最相似的k个隐式好友;最后,将这k个隐式好友融入到矩阵分解模型中来做评分预测。(2)很多的社会化推荐系统仅考虑了有直接关联的社交关系对用户的影响,而事实上,用户在做决策时也会受到其他高社交影响力用户的影响。由具有高影响力的用户给出的评分也更有可能被其他用户信任。基于这个认识,本文提出了一个同时考虑全局社交影响力和局部直接好友关系的社会化推荐模型SSIR(Similarity and Social Influence based Social Recommendation)。首先,本文使用Leader Rank算法计算出社交关系网络中每一个用户的影响力,用来衡量用户评分的重要性,即该评分对其他用户的影响程度。同时,本文考虑直接好友间偏好的相似度。最后,本文把影响力和偏好相似度融合到一个概率矩阵分解模型中,并做评分预测。