信息推荐技术,作为解决信息过载问题的技术手段之一,在理论和应用层面都具有重大的意义和价值。从理论上讲,信息推荐问题是信息挖掘和信息过滤这一重大科学问题的重要组成部分;从应用上讲,信息推荐技术已经成为众多电子商务网站的核心技术,并创造了巨大的经济价值。信息推荐是一个典型的交叉研究领域。本文针对推荐系统的多样性问题、稀疏性问题和推荐网络的结构分析等问题开展研究,综合利用计算机科学、统计物理学和社会学等多学科的理论和方法,提出了一些有效的解决方案,具体如下:1)提出一种基于多维度分析的推荐算法。该方法将高维商品空间投影到低维商品空间,满足商品在低维空间的距离近似于商品在高维空间的距离。算法的扩展性好于SVD和矩阵分解算法等降维方法,去除了数据中的噪音,从而能够更加高效、准确地计算商品间的相似度。实验结果表明,在基于产品的协同过滤框架下,算法的准确性和多样性比传统推荐算法分别提高了27.9%和27.4%。2)提出一种基于局部随机游走的推荐算法。该方法在传统随机游走算法的基础上,仅考虑有限次数的游走过程,准确率和效率明显高于传统的随机游走算法,商品覆盖率明显大于传统的推荐算法,显著改善不活跃用户的推荐质量。实验结果表明,在稀疏的数据中,算法准确性比传统推荐算法提高了10%;针对不活跃用户,算法准确性比传统推荐算法提高了21.9%。3)提出一种基于社交网络的随机游走推荐算法。该方法在用户-商品二部分网络中,引入用户-社团二部分网络,基于两个网络上的随机游走模型,增加了网络节点间的可达概率,大幅度地提高了不活跃用户的推荐质量,从而弱化了数据稀疏性问题和冷启动问题。实验结果表明,当向不活跃用户和新用户推荐商品时,算法的准确性比传统的推荐算法提高了44.5%。4)提出一种基于信息核的推荐算法。该方法根据用户最近邻出现的次数和位置,设计了一种快速有效的信息核提取算法,并分析了信息核的结构特征和核心用户的分布情况。算法的优点在于去除了推荐系统中的不相关用户,从而提高了算法的效率和健壮性。实验结果表明,在信息核为原始数据总量20%的情况下,算法的准确性能够达到使用所有数据准确性的90%以上。5)提出了基于社交关系的矩阵分解算法。该方法利用正则化和因子分解方法,在一个模型中同时考虑用户-商品矩阵、用户-社团矩阵和用户-朋友矩阵。实验结果表明,正则化方法更适用于用户-朋友这样的单模数据,因子分解算法更适用于用户-商品、用户-社团等双模数据。多数据源的交叉学习,可以明显改善算法在稀疏数据中的准确性,在商品推荐、社团推荐和朋友推荐中,算法的准确性比传统算法分别提高了19.5%、36.2%和5%。