推荐算法能为用户快速并且准确的推荐符合喜好与需求的信息,解决了信息过载问题。推荐算法的应用不仅增强了用户的体验,也因此为企业带来了更高的经济效益。近年来推荐算法在研究领域和应用领域都取得了巨大的成功,但是仍然面临着严重的数据稀疏性问题和冷启动问题,使得推荐效果大大降低。社交媒体的产生与快速发展为缓解这两个问题提供了新思路,因此社会化推荐算法成为近年来的热门研究课题。结合信任关系和评分信息两种数据的社会化推荐算法,在一定程度上缓解了数据稀疏性问题和冷启动问题。但是现有的社会化推荐算法仍存在两点不足,首先对信任关系数据的利用率低的问题,其次是在对用户偏好特征建模时未考虑信任关系数据和评分数据分属不同特征空间的问题。两个问题都导致了社会化推荐算法评分预测精度和推荐列表质量的降低。本课题以基于概率矩阵分解的社会化推荐算法为基础,对社会化推荐领域的上述两个问题进行研究,课题的创新点及主要工作如下:1)现有社会化推荐仅仅利用了二值数据中用户节点邻接信息,而忽视了隐含的网络拓扑信息,导致信任关系数据利用率下降,进而降低了推荐结果的质量。本课题利用信任传播的思想,提出一种基于重启随机游走的用户信任度量化算法TQ＿RWR,通过挖掘信任网络拓扑结构中隐含的用户信誉度来度量用户间的信任值。并在TQ＿RWR的基础上提出了基于量化信任度的社会化推荐算法RS＿RWR。在三个公开数据集上的实验表明,本文提出的信任度量化算法有效的提高了信任关系数据的利用率,提高了推荐结果的准确度。2)目前基于概率矩阵分解的社会化推荐算法均以评分数据和信任数据共享一个用户偏好特征空间这一假设为前提。但是分析发现这与人们实际思维方式不符,导致对用户偏好特征建模不准确进而降低了推荐效果。本课题提出基本特征空间的概念,认为用户评分偏好和信任偏好均是用户基本特征的映射。使用TQ＿RWR量化后的信任数据和评分数据,提出了基于基本特征空间的概率矩阵分解社会化推荐算法PTrustPMF,并为该算法设计了优化方法。在三个数据集上与其它5种现有推荐算法的对比实验表明,本课题提出的PTrustPMF算法在提高推荐效果,缓解稀疏性问题和冷启动问题上具有优越性。