近些年来,推荐系统得到了广泛的应用。推荐系统通过挖掘用户过往的购物行为模式,推送用户可能感兴趣的内容,从而为解决消费者信息过载问题以及商家精准地发现潜在用户提供了很大的便利。传统的推荐系统多数应用在电子商务网站,其用户历史数据主要是用户-商品的评分矩阵。随着在线社交时代的到来,基于在线社交网络的推荐系统也受到业界和学术界的重视。和功能简单的电子商务网站相比,在线社交网络提供了用户之间显式的社交关系和社交内容。传统的个性化推荐算法在评分矩阵上表现不错,但是对如何充分利用社交关系和文本内容缺乏深入研究。本文中我们对如何利用在线社交网络的社交关系与社交文本改进推荐算法进行了研究。要充分利用社交文本与社交关系中蕴含的信息,必须解决社交关系的动态性和多样性,文本数据的无监督和稀疏性问题。(1)社交网络每天会产生大量的评论数据,大规模地标注数据是不现实的。(2)并不是每个用户在每个商品和情景下都发布评论,绝大多数评论是缺失的,并且缺失数据是非随机缺失的。(3)用户的社交关系会随着时间的推移而改变。(4)用户之间存在着复杂多样,不同强度的关系。本文主要贡献如下:我们研究了结合社交关系的混合推荐系统。我们假设社交关系影响用户的偏好,而其影响程度与用户的社会角色有关。为了解决社交关系的动态性问题,本文使用了一种增量聚类的方法来识别用户的社会角色。为了解决社交关系的多样性问题,本文提出基于矩阵分解框架的社会推荐模型。一系列真实数据集上的实验结果验证了我们模型的性能和效率。我们研究了基于用户评论的情境感知推荐问题。为了解决文本的无监督问题,本文提出了一个半监督分类器对评论进行情境分类。进一步的,以评论为基础产生情境相关的用户评分,并提出基于情境效用的情景感知推荐算法。在真实数据集上进行了大量实验验证该算法的有效性。针对社交文本的稀疏性和非随机缺失问题,我们提出两个假设(1)缺失与情境效用有关。(2)缺失与情境效用和总效用相关。我们在真实数据集上进行了定量和定性试验比较这两种假设。