近年来,随着互联网信息的爆炸式增长,使得用户在面对巨大的数据时无法有效并准确地获取到自己所需要的信息。在这样的背景下,推荐系统的出现在一定程度上解决了这一问题,推荐系统的核心主要是通过分析用户的行为,挖掘用户的偏好并为用户推送信息。协同过滤推荐技术由于其实现难度不大并且只需要用户-项目的评分信息然后对用户进行推荐,因此被广泛应用。但是,该算法仍面临着数据稀疏性,冷启动等问题。以往的研究结果表明融合社交关系的推荐能缓解上述问题,因此,加入社交关系的推荐具有十分重要的研究意义。在上述算法的基础上,现有的算法仍存在数据稀疏性和冷启动等问题,因此导致推荐准确性下降,影响推荐精度。针对以上的问题,本文的主要研究内容如下:(1)融合社交信息推荐模型的研究受到广泛关注,然而现有的基于矩阵分解技术的社会化推荐大多忽略了项目之间的约束关系对用户兴趣的影响,导致推荐精度下降。为了克服这个问题,首先引入属性信息和流形学习方法计算项目相似度。然后通过项目关联关系正则化和用户社交关系正则化共同约束矩阵分解模型,提出一种双正则化矩阵分解推荐算法。真实数据集上的实验结果表明所提出方法能有效缓解推荐系统中的冷启动和数据稀疏性问题,与已有方法相比提高了推荐精度。(2)传统的社交推荐算法忽略了社交关系中不信任关系对推荐的影响,且大部分在计算用户偏好相似度时没有对项目类别进行区分,这都会导致推荐准确率降低。为了解决上述问题,首先引入用户偏好域分类方法对用户相似关系进行计算,然后对社交关系中的信任关系、不信任关系进行建模,最后对用户社交关系特征矩阵进行约束构建基于用户社交关系和偏好域分类的社会化推荐模型,提出了一种基于社交关系和用户偏好域分类的矩阵分解推荐算法,在Epinions、Ciao数据集上的实验验证该方法能有效提高推荐精度。