社会化标注系统作为移动社会化应用平台,用户标注活动日趋活跃。随着用户、资源和标签数量的不断增加,系统逐渐呈现出数量大、增长快、复杂多样以及质量不稳定不可靠等“大数据化”特征,极大地增加了推荐的复杂度,社会化标注中推荐服务的效率和效果矛盾日益突出。因此,本文结合国家自然科学基金项目“泛在计算环境中社会化驱动的情境感知个性化信息服务研究”(项目编号:71471165),针对“大数据化”标签数据存在的冗余性、不确定性和不一致性等问题,引入主题优化环节,研究并提出了社会化标注中集成主题优化的协同推荐方法。本文的主要工作和贡献如下:(1)提出集成优化过程的推荐服务模式。结合先优化后服务的思路,将社会化标注中的推荐实现过程分为线下主题优化和线上推荐服务两个过程。通过优化过程和服务过程的集成实现高质量、高效率的个性化推荐服务。(2)利用改进的LDA模型进行标签主题优化。以“用户-标签”二元关系为基础,利用用户标注行为特点改进LDA模型,挖掘潜在的标签主题。将原本杂乱的标签划分成具有一致主题的簇,消除标签本身存在的冗余性、不确定性和不一致性。(3)提出集成主题优化的协同推荐方法。通过线下对标签数据进行主题优化,建立“用户-主题”偏好模型和“主题-资源”权重模型。最终构建用户在多兴趣主题下对资源的偏好模型,从而提高线上推荐的效率。(4)采用Movielens数据集进行实验探究。利用准确率、召回率、F值和多样性指标衡量推荐的质量,利用时间复杂度及推荐生成总时间指标衡量推荐的效率。在获取推荐方法最优参数的情况下,设置多组对比实验,综合探究提出的方法在推荐质量和效率上的平衡效果。研究表明,本文提出的集成主题优化的协同推荐方法优于传统的协同推荐方法,尤其体现在推荐的多样性指标上。此外,该方法有效地提高了用户可见的线上推荐效率,实现了推荐效果和效率的平衡。本文的研究结果对于高质量、高效率的推荐服务具有较高的实践应用价值。