随着信息技术和互联网的飞速发展,社交网络资源极大丰富,信息传播变得更加便捷。然而,“信息过载”问题浮出水面,用户面临着严重的网络数据冗余困境,从海量数据中获取有价值的信息变得越来越困难。作为解决“信息过载”问题的有效手段,信息推荐的研究受到学术界和工业界的广泛关注,尤其社交网络信息推荐模型具有非常多的应用场景和商业价值。但是,由于社交网络规模的不断扩大,网络拓扑复杂度的不断加深,以往研究的推荐算法已难以适应时代的要求,因此研究信息推荐模型,进一步提高推荐精度和效率具有非常重要的理论价值和现实意义。常用的信息推荐模式一般分为基于内容、基于关联规则、协同过滤三类。协同过滤模式应用广泛,其中基于记忆的协同过滤推荐模型和矩阵分解信息推荐模型精度较高,逐渐成为研究热点。然而随着数据种类越来越多,应用场景越来越复杂,这两类推荐都面临着网络“冷启动”和数据稀疏等问题,影响信息推荐的精度。随着数据样本规模越来越大,新增用户的信息推荐效率极低,推荐模型存在扩展性问题,严重影响社交网络的运营效率和用户体验。针对以上信息推荐研究中的困难和挑战,本文主要研究内容如下:首先,构建了社交网络信息传播多因素耦合模型,结合耦合理论,分析各因素对信息传播的影响,揭示信息传播规律。目前研究多分析各因素的单独作用,未考虑各因素之间存在相互作用、关联产生的耦合效用。本文通过构建信息传播多因素耦合模型,分析得出用户偏好和用户关系对社交网络信息传播有较大影响,研究结果用于后续改进协同过滤模型、链路预测模型和兴趣点推荐模型中。其次,结合改进的随机森林算法构建分层混合协同过滤模型RMHCF,解决数据稀疏性和扩展性问题。由于传统的基于记忆协同过滤模式中,相似度计算不够全面,预测评分精度较低。本文结合时间、多源异构地理、用户行为和用户情境等对用户兴趣偏好的影响,利用耦合度量化算法改进用户相似度计算方法,提高预测评分的精度;并融合随机森林机器学习算法提高推荐模型处理大样本数据的效率,解决了扩展性问题,实验验证RMHCF模型具有更好的推荐精度。RMHCF模型亦用于提高后续研究受限波兹曼机训练离线数据样本的效率,提升兴趣点推荐模型实时推荐效果。再次,构建了基于信息关联和信息负反馈的多路径随机游走链路预测模型LRWM,解决节点区分度低问题和负反馈信息干扰问题,提高了链路预测的精度。融合信息关联及其稳定性优化用户相似度计算指标,解决了由属性和拓扑结构指标带来的节点区分度低问题,提高了链路预测的精度。同时,社交网络中存在负反馈信息干扰链路预测,以往研究通过删除负反馈链路解决此问题,但是破坏了网络结构的完整性。本文通过改进链路权重,保留网络结构完整的前提下,解决负反馈信息干扰问题,并融合蛙跳算法构建了多路径随机游走链路预测模型LRWM,进一步提高了链路预测精度。使用LRWM模型,能获得更为准确且全面的用户关系数据,并作为额外数据源融入后续研究的概率矩阵分解信息推荐框架中,提高推荐精度。最后,构建了融合链路预测的概率矩阵分解模型LPMF,并结合分层混合协同过滤模型RMHCF和受限波兹曼机深度学习构建了LBSN用户兴趣点推荐模型,解决了“冷启动”和数据冗余问题,提高了兴趣点推荐的精度。矩阵分解模型相比于基于记忆的协同过滤模型,具有更好的信息推荐精度和扩展性,更适合用户兴趣点推荐,但是容易受到“冷启动”的影响。本文结合LRWM链路预测模型和项目属性,挖掘额外数据源补充,融入概率矩阵分解模型,改进预测评分算法,构建了融合链路预测概率矩阵分解模型LPMF,有效的解决了“冷启动”问题,提高了信息推荐精度;同时,优化受限波兹曼机深度学习的参数无监督训练过程,结合分层混合协同过滤模型RMHCF,提高提取隐因子的效率,解决了数据冗余问题;并融合多种隐因子,改进LPMF模型构建LBSN用户兴趣点推荐模型,实验结果表明该模型具有更好的推荐精度。