当今是一个信息过载的时代。用户在面对众多选择时无所适从,此时个性化推荐系统搭建了从用户到物品的桥梁,过滤掉和用户无关、用户不感兴趣的信息,呈现在用户面前的永远是用户喜好的物品,解决了信息过载的问题。协同过滤算法是个性化推荐中最流行的算法。但是随着在线社会网络的不断发展,由于社会网络的复杂性和用户反馈数据的稀疏性,传统协同过滤在社会网络环境下的推荐质量并不高。针对以上问题,本论文重点研究用户相似度、信任关系、用户认知水平、用户影响力对推荐质量的影响,提出了新的基于协同过滤的推荐算法,并在此基础上给出了社会网络推荐系统的原型设计。本论文的主要研究内容和研究成果如下：1.针对传统相似性算法在数据稀疏时度量不准确的情况,提出了一种基于评分差异的用户相似性度量算法。根据修正后的信息熵函数计算出用户之间的兴趣相似度。该函数不但考虑了评分差异,而且考虑了评分期望以及共同评分数对相似度的影响。最后将兴趣相似度与社会相熟度加权作为用户之间最终的相似度。通过对现实数据的评估,发现该相似度在一定程度上缓解了数据稀疏带来的影响,提高了推荐质量。2.根据真实数据的统计规律以及基于信任的推荐算法的实验结果分析,发现用户的认知水平对推荐有很大影响：当用户认知水平较低时,加入信任关系对推荐质量有很大的帮助,且与传递距离成反比；当用户认识水平较高时,推荐质量对信任关系不敏感,且传递距离增大时可以大幅提高推荐覆盖率。通过以上发现,提出了一种基于用户认知水平的分类别推荐算法。该算法根据用户认知水平的不同,赋予信任关系和兴趣相似度不同的权重。实验结果表明,相对于传统的信任推荐算法,该算法可以获得更好的预测性能。3.从社会网络分析理论的两大问题入手,对社会网络中个体的重要性以及人与人之间的关系展开了深入的探讨,并将其融入到基于矩阵分解的社会网络推荐中,提出了基于用户影响力和自适应相似度的矩阵分解算法。衡量用户影响力所采用的半局部算法,不仅考虑了用户自身的影响力,而且考虑了聚类系数对信息传播的影响。该算法将用户相似度融入到矩阵分解的迭代学习过程中,和用户特征向量一并优化,解决了用户无共同评分项时无法直接度量相似度的问题。4.在前几章工作的基础上,提出了社会网络推荐系统的原型设计。该设计不仅考虑了传统推荐系统的功能实现,而且将社会网络信息一一朋友圈一一融入到推荐系统原型设计中。该模块可以为推荐算法提供信任关系、用户的度量信息、用户与用户之间的相似度等信息,同时还可以接受来自推荐算法的推荐,进一步丰富用户关联关系。本论文通过对用户兴趣、用户评分规律以及社会网络的分析,深入研究了社会网络推荐的各种关键技术,例如用户相似度、信任关系、用户认知水平、用户影响力,建立了用户在社会网络环境下的兴趣模型,提出了可靠的个性化推荐算法,并给出了社会网络推荐系统的原型设计,为进一步实现高质量个性化推荐提供了有益参考。