社交推荐算法通常在推荐系统中融合社交网络里的信任信息,进而建模社交影响力,最终使得用户的兴趣受到自身偏好和信任朋友偏好的共同影响,有效缓解了传统推荐算法中的数据稀疏和冷启动问题。然而,以往工作大都是在矩阵分解中融合信任信息,缺乏推荐的可解释性,且度量信任度的方式简单。此外,由于深度学习技术具有可以深层次地从其他数据源中提取用户、项目特征的优点,因此可将深度学习技术应用在社交推荐算法中来学习信任信息。社交推荐算法的关键环节在于如何量化信任信息以及如何将信任信息与用户历史行为偏好信息结合起来。本文主要研究内容如下:(1)在评分预测任务中,针对度量信任的方式简单、矩阵分解算法的可解释性低问题,提出一种融合信任信息的欧氏嵌入推荐算法(Trust Regularization Euclidean Embedding,TREE)。首先,利用欧氏嵌入模型将用户和项目嵌入到统一的低维空间中;其次,在用户相似度计算公式中引入项目参与度和用户共同评分因子度量信任信息;最后,在欧氏嵌入模型中加入社交信任关系正则化项,利用不同偏好的信任用户约束用户的位置向量,生成推荐结果。实验将TREE算法与概率矩阵分解(PMF)、社会正则化模型(So Reg)、社交矩阵分解模型(Social MF)和社交信任集成模型(RSTE)四种算法进行对比。当维度为5和10时,在Filmtrust数据集上TREE算法的均方根误差(RMSE)比最优的RSTE算法分别降低了1.60%和5.03%,在Epinions数据集上TREE算法的RMSE比最优的社交矩阵分解模型(Social MF)算法分别降低了1.12%和1.29%。实验结果表明,TREE模型较对比算法进一步缓解了数据稀疏和冷启动问题,提高了评分预测的准确性。(2)在top-k推荐任务中,为了利用深度学习技术有区别地度量信任以及建模社交影响力,提出一种融合用户信任和偏好信息的图神经网络社交推荐算法。该算法首先结合自动编码器提取的用户社交向量以及用户-项目交互矩阵中的用户潜在特征向量,利用注意力机制度量用户间的信任度;然后,在使用图卷积网络建模用户社交扩散的基础上,考虑不同信任用户对目标用户偏好的影响,结合用户间信任度,最终得到较为准确的用户特征向量;最后利用多层感知器,建模用户-项目间的复杂交互,生成推荐结果。实验结果表明,对比于相关算法,本文算法在推荐性能上有了一定的提升。