用户偏好总是随时间不断变化的,这使得时间成为推荐系统研究中非常关键的一种情境信息。因此,很多研究提出了基于时间的动态推荐算法来追踪用户偏好的变化,然而这些方法中很少注意到同样对用户偏好变化有显著影响的社交因素。此外,在线社交网络的成功使用使得用户的社交行为与传统推荐系统中的用户的行为信息一起被进一步研究成为可能。然而,大多数将社会信息引入推荐系统以改善性能的研究都是基于同质性原则展开的,即用户及其社交朋友倾向于共享某些共同兴趣或具有相似的品味。这个假设忽略了最关键的部分,即社交朋友所扮演的真实角色,尤其是在用户兴趣随时间变化的情况下。根据社交影响理论,用户的态度和行为总是基于网络中社交朋友的信息、态度和行为而受到感染。很少有研究关注这一观点。基于真实数据集,本文对社交在用户兴趣演化过程中的影响进行了分析,并提出两种社交影响机制。并通过对输入-输出隐马尔可夫模型结构的不同设计,对这两种影响机制建模,提出三个基于社交影响的动态推荐模型,并介绍了模型参数学习用到的期望最大化算法的具体过程。该模型对用户兴趣的动态演化过程进行学习,并融合社交好友对用户兴趣的影响,以更好地预测用户未来的兴趣,并进行推荐。通过将本文模型与各类型动态推荐方法及社交推荐方法在两个真实数据集上的表现进行比较,实验结果表明,该算法可以有效地提高推荐系统的推荐质量,并且对于不同的超参数取值及训练数据周期都有比较稳定的性能。进一步验证了本文提出的社交影响机制的有效性,再次证实了社交信息与动态的时间信息在推荐系统中的价值。