随着互联网的普及,网络上信息量大幅度增长,使得用户难以从海量信息中发现自己需要的信息,对信息的利用效率反而降低了,带来了信息过载问题。推荐系统通过探究用户的兴趣偏好,自动发掘用户的兴趣点,从而推荐给用户其可能感兴趣的信息,解决了信息过载问题。协同过滤推荐算法具有简单、高效、易部署等优点,在推荐系统中得到了广泛应用。但传统的协同过滤推荐算法只利用用户对项目的评分数据进行推荐,面临着数据稀疏性、冷启动等诸多问题,使得推荐结果的准确性较差。本文针对传统协同过滤算法中的数据稀疏性问题,将用户之间的社交关系结合到推荐算法当中,以提高推荐系统的准确性,并在一定程度上解决用户冷启动问题。本文的研究工作和创新点如下:(1)分析了推荐系统中的用户在社交网络中的拓扑影响力,提出了一种基于协同过滤的社会化推荐算法。在矩阵分解算法的基础上,结合了用户拓扑影响力以及全局影响力。用户拓扑影响力约束用户与其信任好友之间、网络中重要用户之间偏好的相近程度,全局影响力约束某用户的评分在预测评分误差函数中的权重。在两个真实数据集上的实验结果表明,该算法相比于其它对比算法,可以为系统中全部用户和冷启动用户提供更准确的评分预测。(2)分析了用户之间的间接关系,结合隐式反馈,提出了基于信任传播的协同过滤推荐算法。首先,提出了用户之间间接信任值的计算方法,在此基础上,为系统中的用户寻找间接信任好友,将间接信任好友对目标用户偏好的影响力引入推荐模型中。将以上研究结果引入到协同过滤推荐算法中,提出了一种基于隐式反馈与正则项的推荐算法,实验结果表明,该算法与其它算法相比评分预测的准确性更高。本论文使用图12幅,表10个,参考文献68篇。