随着互联网的快速发展,海量的网络信息给人们的日常生活带来了极大的便利。随之带来的一个问题是过于大量的信息导致人们难以高效地从中获取所感兴趣的知识和信息。针对这一信息过载问题,个性化推荐算法应运而生。这一算法通过对用户或物品进行建模,从而为每个用户提供尽可能满足其需求的推荐对象。目前,该算法已经成功地应用于大量互联网应用中,比如淘宝、微博、抖音等。这使得推荐算法成为了一个兼具商业价值和研究价值的热门研究课题。虽然学者们针对推荐算法这一课题提出了许多行之有效的算法模型,但是数据稀疏问题仍然是制约推荐算法精度提升的关键问题之一。由于用户通常仅对少量物品有兴趣且留下反馈信息,所以能够直接用于估计或学习每个用户偏好的反馈数据一般非常稀少,这就给推荐算法的精确建模带来了挑战。大量已有的工作侧重于如何融合更多类型的辅助数据,但是实际场景中难以同时获取多种类型的辅助数据。因此,为了从有限的数据中挖掘更多用户隐含信息以解决数据稀疏问题,本文对用户与用户之间、用户多重角色之间以及用户与物品之间的关系展开了多方面的研究,并取得相应的研究成果。这一工作解决了如何更好地挖掘和发挥已有数据的作用提供了解决思路,具有一定的现实意义和科研意义。本文的主要研究内容如下:（1）本文针对用户多重角色信息对信任强度的影响问题展开研究。每个用户对其他用户的信任程度是不一样的,所以有必要对用户之间的信任强度进行估计和计算,以提高社会化推荐算法精度。然而,已有的方法没有考虑到用户的多角色特征对于信任强度计算的影响。针对这一问题,本文提出了一种融合多重角色信息的信任强度计算方法。该方法提出了从多个角度来估计和计算用户间信任强度,以更加精确地度量用户之间的影响程度。（2）本文针对用户信任传播的方向问题展开研究。用户之间的信任关系是有方向性的,已有的相关工作存在以下不足:1)在对用户之间的信任传播进行建模时,未考虑到信任者和被信任者之间信任传播的方向信息;2)在计算有向信任强度的过程中,没有强制约束信任强度值必须为正数,可能会导致优化过程中出现不稳定因素。针对这些问题,我们从有向信任传播的角度展开了深入探索,提出了一种面向有向信任强度的个性化推荐算法。（3）本文针对用户多重角色的相关性问题展开研究。已有的工作侧重于如何对用户的多重角色进行建模,但是却忽略了用户多重角色之间的相关性。为了挖掘更多的用户隐含信息,本文从用户多角色特征之间的相关性出发,提出了一种基于融合用户角色相关的神经网络推荐算法。（4）本文针对用户数据信息补全问题展开研究。通过预训练模型补全用户缺失数据有助于提高推荐算法精度,但是已有的相关工作仍然存在以下问题:1)已有工作采用了分阶段训练的方法,但是这不利于将后端模块的信息传递到前端模块。2)已有工作未考虑到预训练模型不精确带来的噪声问题。为了解决这些问题,本章提出了一种基于神经网络模型融合补全信息的增强协同自编码推荐算法。