互联网的出现和普及给用户带来大量数据信息,满足了用户在信息时代的需求。然而随着互联网电子商务的迅速发展,网上数据量的大幅增长,出现的商品数量和种类越来越多,众多用户在面对海量数据时无法从中迅速地获得有效的信息。在这般信息过载的大背景下,推荐系统应运而生并且吸引了众多领域专家学者的关注。基于矩阵分解的评分预推荐是推荐系统的中的重要方法,其面临的主要挑战是评分预测不准确和社交关系运用不充分。相关的研究表明基于局部低秩的矩阵分解方法能更好地对评分做出预测,而如何确定局部低秩矩阵的位置仍是一个尚未解决的问题。另外,相比基于用户物品评分的推荐算法,融合社交关系信息的社会化推荐算法更进一步地探究了如何应对数据稀疏性,可扩展性和预测质量的难题,如何利用好社交关系信息是很多社会化推荐算法探究的问题。在此基础上,本文简要分析了矩阵分解方法,社会化推荐和网络表示学习方面的相关研究,针对这些方法存在的一些缺陷,做了以下两个方面的研究工作:1.提出了一个基于启发式锚点选择的局部低秩矩阵近似算法-CLLORMA算法,该算法提出了一种启发式的锚点选择方法,通过聚类产生候选中心锚点,然后考虑锚点周围局部矩阵评分密度和锚点之间的相似性距离来选择锚点,从而确定局部矩阵的位置,解决了如何高效并准确地选择局部矩阵锚点的问题,从而提高了局部矩阵分解评分预测的效率和准确性。三个数据集上的实验结果证明了CLLORMA的有效性和高效性。2.结合用户社交关系和评分信息设计了一个结合矩阵分解和表示学习的评分推荐算法(MERP),该算法通过运用多种不同的表示学习方法得到用户的社交属性特征,并运用增广矩阵分解方法,结合了用户对物品的评分特征,构建了一个优秀的评分预测模型,有效地解决了评分推荐中的冷启动,数据稀疏等问题。另外,通过对比在社交网络上使用不同的表示学习方法,得到了最适合社会化推荐的游走策略,三个数据集上的实验结果证明了 MERP的有效性。