随着社会媒体和移动应用的快速发展,信息过载问题日益严重,人们从海量的数据中获取有用的信息变得越来越困难。推荐系统的产生可以有效解决信息过载的问题,为用户提供个性化的推荐服务,近年来受到研究人员的广泛关注。协同过滤是目前应用最广泛的推荐算法。但是协同过滤算法仅使用用户与项目的交互数据,当遇到数据稀疏和冷启动问题时,推荐质量不高,无法为用户提供满意的推荐。针对这些问题,研究人员提出了大量的解决方案。但是,仅仅使用评分数据无法从根本上解决推荐系统面临的问题。互联网用户产生的信息日益丰富,提供了多源化的数据,如项目属性信息、社交网络信息、地理位置信息和用户评论等。这些独立的数据来源为解决固有的问题以及推荐系统性能的提升提供了契机。本文在现有工作的基础上,研究融合多源信息的推荐算法。本文的主要研究内容和研究成果总结如下:(1)提出了一种社交信任网络重构的矩阵分解推荐方法So Reg IM。我们针对目前社交网络数据主要为二值型数据(有边为1、无边为0)的情况,采用基于信号传播的社区发现算法计算社交网络中用户之间的拓扑相似度,作为用户的信任值大小并通过设置阈值重构了社交信任网络。新的社交信任网络不仅包含用户信任度,同时还有效利用了原始社交网络中的间接邻居信息。然后,我们将重建的社交信任网络与矩阵分解模型融合,使用用户评分以及用户社会信任关系两部分信息来计算用户的相似度用于对分解形式进行约束,优化了学习到的用户特征向量和项目表示向量。在经典数据集的实验结果表明:与同类的社交推荐算法相比,我们的方法优于已有方法。(2)提出了融合用户-项目社区和评论信息的推荐算法REFNAR。社交网络中的邻居信息对推荐系统性能的提升有很大的作用,然而社交信息只存在于特定的场景中。本文使用社区发现算法在用户与项目交互矩阵中寻找用户和项目社区信息,并通过卷积神经网络对社区近邻(含用户和项目)进行交互编码。同时,我们使用情感词典对评论文本进行预处理,利用卷积神经网络进行对相关的评论文本进行编码。然后,通过特征组合的方式对社区近邻特征和评论特征进行融合。在常用公开数据集上的实验结果显示:我们提出的REFNAR模型在推荐性能上有了较大的提升。