个性化推荐无处不在,并且已经广泛应用到电子商务、广告、社交媒体等许多在线服务中,可以帮助用户找到感兴趣的物品从而解决信息过载问题。其核心思想是基于如购买和单击等历史交互信息来估计用户购买某个物品的可能性。基于矩阵分解的推荐模型将用户行为矩阵分解为隐因子空间上用户与物品特征矩阵,因为其具有灵活性高与可扩展性好等优点,成为研究人员构造社交推荐模型的重要基础模型。针对推荐系统存在的数据稀疏、冷启动与可扩展性问题,在现有协同过滤算法、基于社交网络推荐算法等领域研究成果的基础上,研究融合多元信息的矩阵分解推荐算法,本文的主要工作如下:第一,提出了基于二分图划分联合聚类的协同过滤推荐算法。首先将用户与项目构建成二分图进行联合聚类映射到低维潜在特征空间;其次根据聚类结果设计改进的两种相似性计算策略:簇偏好相似性和评分相似性,并将二者结合。基于结合的相似性,分别采用基于用户和项目的方法来获得对未知评分的预测。最后,将这些预测结果进行了融合。第二,提出了融合可靠性与影响传播的矩阵分解推荐算法。针对现有矩阵分解推荐算法存在忽略用户推荐准确度,未能考虑用户间信任程度强弱和影响传播的问题,首先利用评分数据计算用户间的可靠性关系来衡量推荐准确度;其次基于矩阵分解技术为评分矩阵和可靠性矩阵设计了用户共享特征向量空间;最后设计了合理的目标函数融入社交网络中用户间的影响传播关系,利用这种关系可以有效解决冷启动问题,从而提出了融合可靠性与影响传播的矩阵分解推荐算法。在真实数据集上的验证表明,所提方法的性能优于最新的推荐算法。