在互联网时代,伴随着信息技术的飞速发展,涌现了一大批各式各样的社交媒体。社交媒体的出现给人们的社交生活带来了翻天覆地的变化,社交媒体不仅能够满足人们的人际交往和情感联络需求,而且能实现信息的创造、分享和传播,以满足人们的信息需求。然而,随着社交媒体的快速发展和广泛普及,社交用户和社交内容的规模急剧地扩张,社交数据呈现出爆发式增长的态势。社交媒体中海量的社交数据给用户带来了严重的信息过载问题,面对庞大的社交数据,人们越来越难以发现和寻找到自己感兴趣的社交内容。为了解决信息过载问题,个性化推荐系统被普遍地应用于各种社交媒体中,个性化推荐系统通过分析用户的偏好,给用户推荐感兴趣的内容,帮助用户从海量的数据中挖掘出有价值的信息。由于社交媒体中的个性化推荐具有巨大的应用价值和商业价值,社交媒体中的个性化推荐问题受到了工业界和学术界的广泛关注和研究。社交媒体的类型多样化和社交数据多样化给社交媒体中的个性化推荐系统带来了机遇和挑战,虽然国内外的研究人员已经在社交媒体中的个性化推荐问题上取得了一定的研究成果,然而现有研究成果在推荐结果的准确性、社交媒体特征的利用以及社交数据的深度挖掘等方面仍存在不足。因此,本文针对社交媒体中个性化推荐问题的自身特点以及现有研究工作中存在的不足,深入研究了社交媒体中基于多元属性的个性化推荐、融合用户关系的个性化推荐以及基于异构网络的个性化社交关系推荐,并取得以下成果:(1)针对社交媒体中基于多元属性的个性化推荐,研究了基于活动的社交网络中利用社交活动的多元属性来对新社交活动进行个性化推荐的问题,提出了一个综合考虑基于内容的用户兴趣、活动组织者影响力以及用户的地理位置偏好的混合推荐模型。在该模型中,基于一个用户所参与的历史活动的内容信息,使用主题模型来获取该用户的兴趣;构建一个用户-活动组织者矩阵来表示活动组织者对用户的影响力,并提出了一个流行度感知的概率矩阵分解模型来预测用户-活动组织者矩阵中的缺失值;提出了一个概率模型综合考虑用户参加的历史社交活动的地理位置以及用户在不同地点参加活动的次数来对用户的地理位置偏好进行建模。实验结果表明,本文提出的社交活动推荐方法能够有效地对基于活动的社交网络中的新社交活动进行个性化推荐。(2)针对社交媒体中融合用户关系的个性化推荐,研究了学术社交媒体中融合用户之间的学术关系来对学术会议论文进行个性化推荐的问题,提出了一个综合考虑论文的内容信息以及用户和论文作者之间学术关系的统一推荐模型。该模型利用了用户和论文作者之间三种不同的学术关系:引用关系、合著关系以及研究兴趣相关性关系。在该模型中,基于引用关系网络、合著关系网络以及论文内容信息,对一个用户-论文对分别提取出三类不同的特征;利用一个用户在某个会议中的论文收藏记录来表征该用户对该会议所有论文的成对用户偏好;应用一个成对排序学习模型来学习一个用户偏好预测函数,该预测函数可以基于提取的特征计算用户对一篇学术会议论文的偏好。实验结果表明,本文提出的学术会议论文推荐方法能够有效地对学术会议论文进行个性化推荐。(3)针对社交媒体中基于异构网络的个性化社交关系推荐,研究了在基于活动的社交网络中利用该社交网络的异构特性来进行个性化好友推荐的问题,提出了一个综合考虑基于活动的社交网络中的线上社交关系网络和线下活动参与网络的统一推荐模型。在该模型中,分别从基于活动的社交网络中的线上社交关系网络和线下活动参与网络中提取显式特征和隐式特征,并提出了一个相似度正则化方法来约束用户的隐式特征以使得一个用户的隐式特征更加接近于其好友的隐式特征;利用从用户的线上社交关系和活动参与信息中提取出成对的用户偏好,提出了一个以AUC为优化目标的贝叶斯优化框架。实验结果表明,本文提出的好友推荐方法能够有效地在基于活动的社交网络中进行个性化好友推荐。