随着社交网络的快速发展,从用户庞大的虚拟关系网络中准确识别和挖掘出其对应的社交圈信息,不仅能够极大的便利用户个人关系网络的管理工作,而且在个性化推荐、影响力传播、舆论预警等方面也有着非常重要的作用。由于各个网络平台的机制不同,所以在不同平台中发现社交圈的难度也就不同。在微博平台中,微博用户发布的博文以及用户间的关注和互动行为等包含了显性的、明确的社交信息,研究者可以利用这些信息并通过设计算法来实现显性社交圈的发现,并将其与相应的推荐算法相结合,以服务于微博用户的个性化推荐。然而,在京东、亚马逊等电商平台中虽然包含有用户网络行为、用户评论等反应用户偏好的可用信息,但是并不具备像微博那样有明确的社交机制和交互信息,这使得现有的利用社交信息来提高推荐质量的社交推荐算法无法直接应用于电商平台。为此,本文将根据用户在电商平台中的网络行为和商品评论,抽取其中包含的各种隐性社交信息,设计度量用户之间隐性社交关系的方法,构建发现隐性社交圈的算法,并将隐性社交圈与基于矩阵分解的社交推荐算法相结合,以改善电商平台向用户推荐商品的准确性。本文的具体工作包含以下3方面的内容:(1)提出了基于用户行为的隐性社交圈的发现方法。在电商平台中,用户的网络行为主要包括购买行为和打分行为,用户往往会根据对商品的偏爱程度进行评分。由于用户对商品的偏爱在短时间内不会改变,所以从这一点出发,本文根据用户对商品的评分矩阵R去寻找和其兴趣偏好相近的用户,在给出隐性社交圈形式化定义的基础上,设计挖掘出用户之间隐性社交信息的方法。(2)提出了基于用户评论内容的隐性社交圈的发现方法。用户评论直接反应了一个用户在其内心对某商品最真实的想法。因此用户在进行选购决策时,商品的评论信息可以作为预测用户是否购买该商品的重要参考依据。为此,本文利用主题模型LDA分析用户所给出的评论,以得到用户对应评论的主题偏好向量,进而通过计算用户间主题偏好向量的相似性,根据主题相似度的大小,选取主题偏好最为相近的top-k个用户作为隐性社交圈的主要成员,从而实现隐性社交圈的构建。(3)实现了将隐性社交圈与基于矩阵分解的社交推荐算法相融合来进行商品推荐的算法。从用户行为和用户内容两个点出发,挖掘和发现与目标用户相似度高的用户集,组成隐性社交圈。最终将提取出来的隐性社交圈与社交推荐算法相融合,从而得到用户对商品的评分预测矩阵,选取出预测评分排在前top-k的商品,为目标用户进行有效的商品推荐。