近年来,基于活动的社交网络越来越流行,比如,Meetup,Facebook Events和豆瓣同城等。这些社交网络允许个人或组织创建、发布、管理各种类型的活动。用户既可在线上沟通交流、分享体验,又可通过参与线下活动结识新的朋友,拓展社交关系。有效的活动参与不仅丰富了用户体验,也使得活动组织者能够受到更多人的关注。精确的活动推荐对组织或参与活动具有指导作用。因此,研究活动推荐问题具有现实意义。但是,由于活动社交网络是一种异构型复杂网络,且活动不同于一般物品,传统的推荐算法难以直接应用于活动推荐领域。针对活动推荐的特点,本文提出了一种基于特征提取与融合技术的活动推荐方法并对其有效性进行了验证。本文的工作主要包括以下三个方面:(1)设计了社交活动推荐模型。在统筹考虑可能影响推荐结果的多方面因素的基础上设计了社交活动推荐模型。(2)给出了社交活动推荐方法。该方法首先从影响用户活动参与行为的时间因素、空间因素、内容因素和社交因素出发,分别建模并计算用户与活动的相似性特征值。然后根据不同相似性特征值分别产生候选活动集并对所有候选集融合叠加得到总的候选集。最后,借鉴对级排序学习思想设计了深度排序网络。为了提升推荐效果,将排序评价指标NDCG融入到损失函数中;为了加速模型训练过程,改进了小批量梯度下降算法。训练得到的排序网络可根据特征提取阶段提取出的特征值计算活动的综合评分,利用训练后的排序网络对候选集中的活动排序即可得到推荐列表。(3)验证了本文提出的活动推荐方法的有效性。在豆瓣同城数据集上进行了大量实验,实验结果表明:相较于单一特征推荐方法和选取的对比方法,特征融合方法可获得更好的推荐效果;特征融合方法对于活跃度较高的用户和主办方有更好的推荐效果。