个性化推荐系统作为解决信息过载的一项关键技术,已经普遍应用于各类电子商务平台中以改善消费者的购物体验。近年来在线社交网络的广泛应用,为个性化推荐系统提供了更为丰富的数据源,社交网络中广泛存在的用户连接关系,以及用户在社交网络上的互动内容、互动形式等为个性化推荐带来了新的机遇,如何将社交网络中的社交关系融入个性化推荐系统成为企业界、学术界关注的研究热点。在线社交网络环境下,用户连接关系的稀疏性、社交关系对用户决策影响的差异性,群体活动中个体与群体交互的复杂性等问题为用户的兴趣建模带来了新的挑战。研究并提出面向在线社交网络用户的个性化推荐方法,对于丰富个性化营销理论,提高企业的营销效率具有重要的理论意义和实际价值。本文以面向在线社交网络用户的个性化推荐方法为研究主题,以机器学习方法为建模工具,以提高在线社交网络用户的个性化推荐精度进而实现用户满意度和参与度提升为目标,研究基于显式用户连接关系和隐式用户连接关系的个性化推荐方法,推荐用户满意的产品;并针对社交网络中用户以群体方式活动的特性,对面向群体用户的个性化推荐方法展开研究。本文具体的研究内容主要包括:(1)基于显式用户连接关系的个性化推荐方法。针对社交网络用户连接关系的稀疏性和用户间的可信问题,本文第二章提出了一种基于加权社会信任关系的信任预测模型,该模型将无权的信任和不信任关系转换为细粒度的加权社会信任关系,据此预测用户之间的可信连接关系,并进一步刻画用户之间的信任或不信任程度;随后构建了融合用户信任关系与用户产品评分数据的个性化推荐矩阵分解模型,在Epinions数据集上的实验结果表明,考虑社交用户信任关系的个性化推荐模型可以提高个性化推荐的精度,特别在数据稀疏和用户冷启动情境下效果更加明显。(2)基于隐式用户连接关系的个性化推荐方法。针对隐式连接关系对用户产品决策的影响,本文第三章提出一种基于社会影响的隐狄利克雷分布推荐模型,该模型可以区分用户自身兴趣和存在隐式连接关系的好友对用户决策的影响差异;考虑到社交网络中不同连接关系的影响差异,进一步提出一种基于自适应权重社会影响的隐狄利克雷分布推荐模型,该模型可以自适应学习连接关系的影响权重。在CiteULike数据集上的实验结果表明,考虑用户连接关系影响的个性化推荐模型可以提高个性化推荐的精度,特别在数据稀疏和用户冷启动情境下效果更加明显。(3)面向群体用户的个性化推荐方法。针对面向群体用户的个性化推荐中群体对用户偏好的影响问题,本文第四章提出了一种面向群体用户的的双向张量分解模型,该模型在进行用户兴趣建模时考虑了用户自身兴趣影响和群体对用户决策的影响;我们进一步使用个性化权重刻画对于不同用户,群体对用户决策的影响差异。在CiteULike和Last.fm两组真实数据集上的实验表明,考虑群体对用户兴趣影响差异的群推荐模型可以提高个性化推荐的精度,特别在同质性较高的兴趣群体中效果更加明显。本文的创新点主要包括:(1)将社交网络中的用户关系分为两大类,即显式连接关系和隐式连接关系。(2)首次提出了在显式用户连接关系稀疏的情况下,如何利用显式用户连接关系进行个性化推荐的方法。(3)首次提出了可以区分用户自身兴趣和社交影响的基于隐式用户连接关系的个性化推荐算法。(4)首次提出将群体用户推荐问题建模为双向影响过程,并首次将张量分解模型应用于群体用户推荐中。本文的研究成果扩展了个性化推荐方法的研究思路,丰富了数据挖掘领域和社交网络分析领域的研究内容,为社交媒体平台在不同应用场景下为用户实施个性化推荐提供了对应的推荐算法。