信息时代的高速发展为网络中积累了大量的数据,信息过载已成为一个亟待解决的问题。为了解决这个问题,推荐系统应运而生。由于单一推荐模型无法处理异构数据,因此研究人员尝试将不同的模型进行混合,通过混合模型为用户提供推荐。然而,多数混合推荐模型仅从推荐结果的角度进行融合,数据的融合程度低且依赖研究者对策略的选择和设计,存在着推荐精度不高、冷启动、可扩展性差等问题。社交关系在人们的日常生活中扮演着重要的角色,用户通常会受到其直接好友甚至是间接好友偏好的影响,更容易选择其好友购买过的物品,用户好友的推荐有利于增加用户对推荐结果的信任度。因此,本文提出了基于社交关系的融合多源异构数据的推荐模型(BRS_cS,BPR-Review-Score-Social),构建了统一的表示学习框架,将评分、评论、社交关系等多源异构数据从数据源层面进行了融合。BRS_cS模型通过用户好友信任度模型将社交关系引入到推荐系统中,用基于段向量的分布式词袋模型处理评论数据,用全连接神经网络处理评分数据,用改进的贝叶斯个性化排序模型对排序结果进行优化。为了增强推荐系统的可扩展性,本文在此基础上还提出了可扩展的融合推荐模型(s BRS_cS,scalable BRS_cS)。当向s BRS_cS模型中引入新的数据源时,既无需重新设计整个推荐框架,也无需重新训练已有模型参数。本文在Yelp公开数据集上对模型进行了验证。实验结果表明,BRS_cS模型和s BRS_cS模型在精确率、召回率、归一化折损累计增益等方面均优于其他推荐模型。社交关系的引入可以提升推荐质量、解决冷启动问题,同时使得推荐系统具有较强的可解释性,s BRS_cS模型的提出则增强了推荐框架的可扩展性。除此之外,本文还通过实验得到了最佳的参数设置。因此,本文提出的模型提升了推荐结果的精度,能够在一定程度上解决冷启动和数据稀疏问题,使得推荐系统具有较强的可扩展性。