伴随着互联网应用的大量涌现,信息过载问题变得越来越严重,推荐系统逐渐成为解决该问题的最重要技术之一。推荐系统虽然已经历了多年的研究,并且在许多领域获得了成功的应用,但大多数推荐系统仍然都存在一些固有的缺陷和不足,例如:冷启动问题、数据稀疏问题、以及不能充分利用上下文数据等问题。近年来出现大量的各种在线社会网络极大地丰富了人们的工作和生活,方便了人们的沟通与交流。为克服传统推荐系统中所存在的问题和不足,学术界和工业界纷纷尝试将用户的社会信息融入到传统的推荐系统,利用在线社会网络所收集到的用户的社会信息来改进和加强传统的推荐系统的性能。社会化推荐是一个新兴的的研究领域,本研究所关注的是广义定义下的社会化推荐问题,根据当前社会化推荐领域的研究现状,本研究选择四个研究点开展了研究工作:第一,社会化推荐中一个重要的问题是用户的相似度度量问题。针对社会化推荐中数据具有规模大和稀疏性特点,本文提出了一种基于流形排序和矩阵分解技术的社会化推荐方法,将用户之间的相似性融入到评分矩阵的低阶矩阵分解过程。实验表明,在用户的隐含特征的流形结构与社会网络结构相符的条件下,该方法相比其它同类方法具有更高的推荐精度和更低的RMSE和MAE值。第二,现有的社会化推荐研究绝大多数强调的是用户行为的社会性,而基本忽视了非社会性对用户行为的影响。因此,本文研究了兼顾用户评分习惯的相关性和独立性的社会化推荐问题,提出了一种基于矩阵分解的社会化推荐方法,该方法在传统的概率矩阵解模型的基础上加入了额外的偏置项和正则项,考虑了用户评分习惯之间的相关性和独立性、以及物品固有特性对推荐过程的影响。实验结果表明,在大部分用户和物品同时表现出社会性与非社会性的条件下,该方法比其它同类的推荐方法具有更好的性能。第三,当前大多数朋友推荐方法利用社会关系及隐含其中的兴趣相似性进行推荐,而较少在考虑用户的社会关系的同时,将评分数据作为用户兴趣的显式反馈融入到推荐过程。因此,提出了一种基于因式分解的朋友推荐方法,该方法同时考虑朋友间的社会关系和兴趣评分这两类信息,利用高斯核来捕捉用户间的兴趣相关性,通过高斯过程来生成用户的隐含特征向量,形成一种可以从社会网络中推荐具有共同爱好的人的朋友推荐方法。实验表明,在用户社会网络较少地蕴含兴趣相似性的条件下,该方法比其它传统的仅根据社会关系的连接预测方法的具有更高的查准率。第四,分析社会化标签已经成为理解用户喜好的重要途径,甚至比分析用户的评分和社会关系效果更好,因此,本文研究了基于标签信息、评分记录以及社会关系的社会化推荐问题,提出一种基于标签辅助信息的社会化推荐方法,该方法利用矩阵分解和正则化方法,对评分数据、打标签的数据和打标注的数据进行同步的矩阵分解,利用用户之间的社会关系对用户之间的隐含特征增加社会化约束。实验结果验证了算法的有效性。