随着推荐系统研究的不断深入,将社会化影响融入推荐系统成为一个新的研究热点和问题丰富的研究领域。稀疏性问题是推荐系统的一个经典问题,随着待处理的推荐系统规模越来越大,用户和物品数目通常百千万计,两个用户之间选择的重叠非常少,数据非常稀疏,以致绝大部分基于关联分析的算法效果都不好。社会化推荐通过引入主题信息、标签信息或者社会化关系等将一阶关联扩散到高阶的关联,从而提高相似度的分辨率,以此来解决稀疏性的问题。因此,如何有效地为推荐系统引入主题信息、对推荐系统中的物品标签信息进行补充是社会化推荐中稀疏性问题的核心研究内容。本文对此进行研究,主要工作包括:1.提出一种基于用户-主题评分的协同过滤方法。传统协同过滤的基础是用户-物品的评分矩阵,并在此基础上进行用户之间的相似度计算。但是在实际操作过程中,往往会遇到矩阵稀疏的问题,即矩阵中的大部分项为空值,导致协同过滤算法中的相似度计算这一步骤得到的结果非常差。本文提出了一种基于用户-主题评分的协同过滤方法并对不同主题模型的提升效果进行了对比,其主要思想是基于主动降维,利用聚类方法对用户-物品矩阵进行降维,提高了相似度的可计算性。实验对比结果表明此方法可以有效提高协同过滤的准确度。2.提出一种基于半监督学习的物品推荐方法。在电子商务网站上实施推荐系统时,历史购买数据丰富往往会带来比较好的推荐效果。但是,中小型电子商务网站通常缺乏足够的购买数据,它们往往利用浏览数据来生成推荐,这样会带来推荐结果不够精准的问题。本文提出了一种基于半监督学习的物品推荐方法,它通过利用一小部分购买数据来提高推荐的准确度。实验对比结果表明了此方法可以有效地提高推荐的效果。3.提出一种为移动社交网络中的地点进行语义标注的主题模型STM。语义信息对于移动社交网络中的地点非常重要,它是一系列移动应用包括社会化推荐的基础,但是现实状况下,这些地点通常存在语义信息缺失或者不完整的情况。本文提出一种主题模型STM,可以同时补充地点的分类标签信息和情感相关的标签信息。实验结果显示STM可以有效地为移动社交网络中的地点推荐分类相关的标签和情感相关的标签。