作为一种核心的信息过滤技术,推荐系统一直是社会媒体中的研究热点。随着数据的爆炸式增长,推荐系统目前仍面临着数据稀疏与冷启动问题的挑战。近年来随着社会媒体的迅速发展,蕴含用户行为和需求信息的推荐资源越来越丰富。在这种环境下,越来越多的研究者们开始关注如何在传统的协同过滤基础上,融合社会媒体中的多源辅助信息来提高推荐质量。另外,如今深度学习技术在各个领域都取得了突破性进展,为推荐系统的研究带来了新的机遇。如何利用深度学习技术更高效地挖掘用户和项目的特征并与推荐系统相结合成为当前研究的热点问题之一。据此,本文利用社会媒体中的推荐资源,重点研究如何利用深度学习方法挖掘社交和评论等辅助信息来缓解推荐系统中的数据稀疏问题,进一步提高评分预测的准确性。本文的主要工作和贡献如下:第一,提出了一种基于用户社交和评论的卷积矩阵分解算法。社会媒体中的社交网络和评论信息能够帮助用户过滤信息,表达用户的兴趣。利用二者学习用户和项目的特征表示有利于缓解评分数据的稀疏性。基于上述观察,本文考虑在一个统一的协同过滤框架中同时建模用户和项目的评论以及用户社交网络信息。具体地说,首先使用卷积神经网络从评论文本中提取上下文特征来表示用户兴趣和项目属性。然后,使用分解社交网络矩阵的方式来考虑用户社交网络的影响。最后,将上述组件纳入协同过滤模型共同训练。这样,该模型既利用了协同过滤的优势,又利用神经网络增强了推荐的准确性。第二,提出了一种基于社交传播的图卷积矩阵分解算法。鉴于上述社交推荐算法在建模社交网络时,只考虑了每个用户的直接邻居,忽略了社交网络中用户与朋友间信息传播的情况。同时,图卷积网络在建模图结构数据时表现出极大的优势。基于上述观察,本文利用图卷积网络来模拟用户信息在社交网络中的传播过程。首先,提取用户的评论特征作为社交网络中用户的节点属性,并使用GCN获取用户的社交嵌入表示。然后,将GCN整合到协同过滤模型上来捕获社交传播对用户偏好的影响。最后在真实的数据集上进行实验,实验结果证明了本文所提出的模型与其他相关方法相比,达到了更好的性能。