随着互联网中的海量信息以指数形式不断地增长,用户面临着严重的信息过载问题。因此推荐系统应运而生,旨在通过信息过滤满足用户日益增长的个性化需求,进而帮助用户更加快速高效地做出选择。协同过滤算法是目前应用最为广泛和成功的推荐算法。然而传统的协同过滤推荐算法面临着严重的数据稀疏问题。基于用户关系的协同过滤算法被广泛应用在社交网络,通过依据用户的不同属性选取用户集,研究用户之间的相似度,通过相似度评分给出用户的推荐结果。基于物品关系的相似度是从物品角度出发,同样途径来计算物品的相似度,得出推荐结果。并针对推荐过程中的遇到的数据稀疏问题研究现有的矩阵分解技术。首先,针对单独利用用户或者物品关系进行推荐的局限性,将用户和物品关系相结合,并将其融合到传统的协同过滤推荐算法中以进一步提升推荐效果。给出隐式的用户相似度方法,将隐式用户和物品关系融合到矩阵分解模型中,作为正则项来限制用户和物品特征向量,基于该学习过程来研究其对于提升推荐效果的影响。隐式关系是指利用传统相似度算法发掘的最近邻居。同时,本文研究了最近邻居数量以及不同的相似度计算方法对于推荐效果的影响。其次,在隐式推荐的基础上,通过研究利用附加信息(例如社交网络,物品类别等)得到的最近邻居的显式关系,将显式用户和物品关系融合到矩阵分解模型中,将其作为正则项来限制用户和物品特征向量,得到综合显式与隐式的用户及物品关系推荐的学习过程,进一步研究显式关系对于推荐效果的影响。同时,通过对比融合显式及隐式关系的实验结果,分析隐式及显式物品关系对于提升推荐结果的显著性影响。最后,为了验证提出算法的合理性及有效性,本文在两个真实世界的数据集上做了严密且充分的对比实验。