图片推荐是推荐领域的热门话题,摄影图片作为图片中的特殊的一类,在风格特征上具有特殊性,在提取图片特征的过程中需要充分考虑图片风格因素的影响。在摄影图片分享平台上,用户具有社交关系属性。为了给用户进行个性化的推荐,需要综合考虑图片特征和用户社交属性。在推荐结果的评价指标上,准确性和多样性往往是两个矛盾的概念,推荐算法的研究正是需要在准确性和多样性两方面指标中达到一个平衡点。在保证已有推荐列表的准确性的基础上,通过重排序算法提高推荐结果的多样性显得非常重要。实际的推荐过程中,需要充分考虑用户兴趣度的差异,为不同兴趣度的用户进行不同多样性的推荐。传统的多样性指标并不能准确衡量推荐的多样性,应当结合用户的兴趣度综合评价。本文针对上述问题进行了研究,取得的成果主要有:1.提出并实现了一种基于深度学习的摄影图片推荐算法。算法基于隐变量模型,着重考虑了图片风格的影响,优化了加权矩阵分解的目标函数,特别加大了图片风格在图片特征中的比重,合理地表示了摄影图片的特征。算法通过卷积神经网络对图片的隐变量进行学习,最终计算用户对图片的推荐得分,得到推荐列表。2.提出并实现了一种基于隐变量扩充图的社交化图片推荐算法。算法在传统的社交网络图的基础上,建立表示用户对图片喜好信息的二部图。基于图片的隐变量对二部图进行扩充,设立隐含类别节点。推荐过程采用图排序的思想,计算节点的排名。3.提出并实现了一种面向多样性的推荐列表个性化重排序算法。算法中提出用户兴趣度的概念,根据用户兴趣度的不同为每个用户的推荐列表进行相应的重排序调整,以提高推荐结果的多样性。同时提出新的个性化多样性评价指标,使得推荐列表的多样性程度与用户的兴趣度个性化匹配。