在进入大数据时代以来,推荐系统成为解决信息过载的重要工具。推荐系统的技术核心是对用户历史、物品内容和社交关系等信息进行建模,以推断出用户兴趣,并向用户推荐感兴趣的物品。本文在深入研究了协同过滤算法、基于主题模型的推荐算法等传统推荐算法的基础上,首先针对传统的概率矩阵分解模型过于依赖评分矩阵的缺点,通过引入LF-LDA(Latent Feature-Latent Dirichlet Allocation)提取主题分布,并将之融入概率矩阵分解中提取的物品偏好中,得到新的推荐结果,优化了项目冷启动和短语料的推荐效果。第二,通过将社交关系引入协同主题回归,建立多层朋友圈的信任权重系数,将包含该信任权重的社会因素作为惩罚项加权引入最大似然函数的计算中,改进和优化了对新用户和不活跃用户的推荐效果。基于以上两种改进,本文提出一种新的基于LF-LDA和社交关系的协同主题回归推荐模型并基于该模型给出相应算法,简称为SLF-CTR(Social Latent Feature-Collaborative Topic Regression),并在稀疏性很强、短语料很多的lastfm和delicious数据集上进行了实验,实验证明了SLF-CTR算法明显优于传统的概率矩阵分解和协同主题回归算法。证明了SLF-CTR算法推荐的有效性。在现有的推荐领域实际应用中,往往出现的都是稀疏性很强的数据集,并且伴随着物品和用户的冷启动、物品内容的短语料问题,因此本文提出的SLF-CTR算法能够很好的适用于当前推荐系统实际应用的需求,具有良好的研究价值。