社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要业务流程包括构建用户信任网络和生成推荐两部分。完善的信任网络可以全面地反映用户间的关系并且可以有效缓解数据稀疏和冷启动问题。本文提出了“基于用户交互行为的信任网络构建模型”(简称Soc_Pro),该模型通过用户间的交互行为以及信任传播机制预测用户的全局信任度;通过引入时间衰退因子,结合用户间的直接交互行为和用户间相似度,得到用户间的直接交互信任度和相似信任度,从而构建有向带权信任网络。本模型克服了“基于用户行为的信任网络构建模型”(简称Soc_Trust)在预测用户信任关系时,只考虑用户间是否存在信任关系而忽略了信任传播影响以及在预测时将用户的所有历史信息同等看待的缺点。本文通过矩阵分解中基于贪婪的特征选择算法选择具有良好交互作用的特征,从而避免因子分解机在隐特征向量学习过程中引入新的噪音并达到提高预测精度的作用,克服了传统因子分解机在考虑特征交互作用时组合了一些无意义的交互特征的缺陷。本文最后利用实验验证了Soc_Pro模型的合理性,并与Soc_Trust进行对比。信任预测实验表明,Soc_Pro具有更好的信任预测能力;推荐生成实验表明,本文所提出的推荐生成模型在推荐精度上较传统因子分解机、矩阵分解等具有更好的表现。