随着移动互联网的快速发展,信息生产者和信息消费者所面对的信息过载问题越来越严重。推荐系统的产生在一定程度上缓解了这个问题,使得人们可以从海量信息中更加准确、及时的发现感兴趣的信息内容,因此在社交平台、电子商务等众多领域中得到了广泛的应用。随着推荐系统用户数量的增长、社交关系复杂化以及内容多样化等诸多问题,使得传统的推荐算法不能有效的满足用户的需求。因此,进一步研究推荐算法对提高推荐系统的推荐质量具有重要的研究意义。综上所述,本论文通过深入研究当前推荐算法存在的优点和不足,提出基于社交网络和兴趣主题的好友推荐方法和基于社交上下文和张量分解的评分预测方法,主要的工作内容如下:1.本论文设计一种基于社交网络和用户兴趣的好友推荐方法。首先,根据社交关系和历史评分行为,分别计算用户共同好友比例和用户共同行为比例,并在此基础上构建用户关系相似度模型。其次,根据用户标签数据,利用TF-IDF在文本信息挖掘的特性,构建基于TF-IDF的用户兴趣相似度模型。最后,通过对上述产生的两种相似度赋予不同的权值,进一步得到综合社交和兴趣主题的用户相似度,并对综合相似度排序生成目标用户的相似好友推荐列表。2.本论文设计一种基于社交上下文信息和张量分解的评分预测方法。首先,考虑到社交网络中用户兴趣的传播效应,在云模型及隶属度等相关理论的基础上,分别利用用户的显性属性和用户的隐性属性建立好友评分预测模型和相似好友评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分;其次,考虑到上下文信息对评分预测结果的影响和张量分解在数据维度转换和数据压缩的特性,通过构建“用户-项目-上下文”张量分解模型迭代预测缺失值;最后,对上述两部分预测值进行加权融合,生成最终的评分预测结果。最后,本论文通过获取真实的豆瓣数据,对所设计的好友推荐方法和评分预测方法进行验证。