如今大数据时代，数据的稀疏性问题日益严重，传统的单一协同过滤推荐算法很难保证较高的推荐精度。而社交网络的快速发展，使得更多类似于好友关系、标签内容的多元化信息可以融入到协同过滤推荐算法来推高推荐质量。矩阵分解算法作为当今推荐系统的热门算法之一，通过分解得到的用户和项目隐性特征矩阵来预测用户的偏好，由于它易于实现，扩展性好等特点受到了学者的广泛关注。因此，针对上述问题，论文进行了深入的研究:　　提出了一种新的融合概率矩阵分解和标签评分的协同过滤推荐算法。利用平衡因子结合基于概率矩阵分解和基于标签评分的协同过滤算法的结果来预测用户对项目的评分，在MovieLens数据集上的实验结果表明，由于同时考虑用户项目评分和用户标签评分数据，本文提出的算法优于传统的基于用户的协同过滤算法，并且在一定程度上比概率矩阵分解算法有更好的推荐准确性，缓解了由数据稀疏性问题造成的预测困难。提升了预测准确度。　　提出了一种基于学术社交网络的多维度团队推荐算法，来解决学术社交网络中单一维度学术团队信息难以满足学者个性化推荐需求的问题。该算法是以投影梯度非负矩阵分解模型获得的用户与科研团队的相似度为核心，融合社交好友关系和热门团队信息的多维度团队推荐模型。在大型科研学术网站—学者网上的实验证明了本文提出的算法具有较高的准确率，能为用户提供较好的团队个性化推荐服务。