推荐系统作为缓解信息过载问题的有效手段,已普遍应用于各大在线平台。其中,社会化推荐系统作为其重要的研究方向之一,能够通过融入辅助信息来提升推荐性能。近年来随着在线平台中社会化功能不断演进,用户在平台中的行为也变得更加丰富多样。用户在平台中的多样化行为表现出用户对物品以及对其他用户的偏好,包括用户-物品交互行为、用户-物品自主描述行为、用户-用户个体社交行为、用户-用户群体社交行为等。通过对这些用户行为信息的不断挖掘与有效利用,极大地促进了社会化推荐系统的蓬勃发展。然而,当前社会化推荐系统中还存在一些有待解决的问题,如推荐系统中仅凭用户与物品的简单交互行为难以解释用户对物品产生偏好的原因、用户社交关系与用户偏好之间的相互影响未被充分利用、用户需要参考群组决策意见而群组内成员意见不一致等问题。为此,本文以在线平台中产生的用户行为信息为基础,分析并挖掘用户对物品以及对其他用户的行为,针对现有社会化推荐的不足之处,围绕融合用户-物品自主描述行为中的标签信息的社会化推荐、融合用户-用户个体社交行为中的信任和不信任关系的社会化推荐、以及融合用户-用户群体社交行为中的群组信息的社会化推荐等方面展开研究。本文的主要研究内容与贡献包括:（1）针对推荐系统中仅凭用户与物品的简单交互行为难以解释用户对物品产生偏好的原因这一问题,本研究将用户-物品自主描述行为中的标签信息融入推荐系统,提出了一种基于图神经网络挖掘用户细粒度偏好的推荐方法。该方法首先根据用户对标签的偏好度以及物品与标签的关联度,识别不同标签对于＜用户,物品＞的重要程度,从而挖掘诱发用户对物品产生偏好的潜在原因,获取用户更细粒度的偏好表示;其次,根据用户对物品的评分信息,学习不同评分等级对用户偏好的影响程度,从而进一步学习用户偏好,并将其与物品特征进行匹配实现推荐。在Movie Lens数据集上的结果表明,融合用户-物品标签信息的推荐方法可以提高社会化推荐的效果,并且用户-物品标签信息对挖掘用户偏好有着重要作用。（2）针对推荐系统中用户社交关系与用户偏好之间的相互影响未被充分利用的问题,本研究通过分析用户-用户个体社交行为中的信任关系和不信任关系并设计联合学习框架,提出了一种基于图神经网络考虑动态相互影响的推荐方法。该方法首先在信任关系的基础上考虑不信任关系的特殊性,利用平衡理论挖掘用户的潜在社交关系,进而为预测用户偏好提供丰富的信息;其次,根据用户社交关系与用户偏好之间相互影响,设计基于物品感知的动态相互影响机制,联合学习物品推荐和信任预测任务,使得推荐系统的性能在二者相互影响过程中得以提升。在Epinions数据集上的结果表明,融合用户社交信任和不信任关系的联合推荐方法可以提高社会化推荐的效果,并且用户信任和不信任关系对预测用户偏好有着积极影响。（3）针对推荐系统中用户需要参考群组决策意见而群组内成员意见不一致的问题,本研究对用户-用户群体社交行为中的群组信息进行分析,提出了一种基于概率矩阵分解和证据推理规则的群推荐方法。该方法首先利用群组信息挖掘成员的潜在偏好,基于概率矩阵分解方法联合分解用户-物品评分矩阵和用户-群组关系矩阵,并结合物品内容信息,预测群组内成员对物品的个人偏好评分;其次,根据成员对群组贡献的重要程度与可信任程度,赋予群组成员不同的权重与可靠性,并结合证据推理规则对群组成员的个人偏好评分进行合成,生成面向群组推荐结果。在Cite ULike数据集上的结果表明,融合用户社交群组信息的群推荐方法可以提高社会化推荐的效果,并且群组信息对挖掘潜在用户偏好有着重要影响。本文研究成果拓展了社会化推荐方法的研究思路,丰富了融合用户行为信息的社会化推荐的研究内容,为在线平台提供了不同社会化推荐场景下的有效推荐方法,对推动社会化推荐问题的理论研究具有重要的作用。并且,本文研究成果在实践中具有广阔的应用范围,为企业从数据分析的角度提供了合理化的建议和启示,对于企业构建满足用户需求的社会化推荐系统并维系牢固的商业链,具有较高的参考价值。