互联网的飞速发展引发了信息的爆炸式增长,让信息过载的问题日益严峻。推荐系统作为一种有效的信息过滤技术,大大方便了人们浏览信息的效率。其中最为流行的是基于协同过滤的推荐算法。但是受限于数据稀缺和冷启动的问题,这些传统的推荐算法在很多应用场景下的效果会大打折扣。近年来,随着社交平台的兴起,社交推荐成为了一种广泛应用的推荐方法。该类方法基于社交影响力理论,挖掘社交网络在推荐系统中的作用,从而缓解个性化推荐的数据稀疏性问题。因此,在社交推荐系统中,如何对社交影响力高质量的建模就成为了重要环节。然而,以往研究方法大多数简单建模社交影响力,忽略了社交影响力强度在推荐中的作用。此外,深度学习技术的浪潮给了推荐系统更多改进的机会。受益于其强大的特征表达能力,很多神经网络框架被运用到推荐系统中,帮助模型更好从原始数据中提取相关特征。本文就利用了一些深度学习中常用的技术来学习社交网络中包含的社交信息,并结合注意力机制的思想,建模了社交推荐模型中的社交影响力强度,旨在应用神经网络的相关结构捕捉到更合理的社交影响力信息。本文的贡献如下:(1)从社交影响力的有效建模入手,尝试运用注意力机制来学习社交网络中的社交上下文信息,作为影响用户偏好的另一部分因素。结合用户自身的潜在偏好特征,构成了预测评分的目标函数。由于本文关注于用户的隐式反馈行为,数据集也被处理成了相应的形式。(2)为提高模型的推荐效果和训练效率,采用了自编码器提取社交矩阵中隐含的结构信息,并将原模型中两部分的用户潜在特征向量的参数独立。多项比较实验展现了本文模型在社交推荐上的性能,并且验证了使用注意力机制模拟社交影响力的可行性。