随着互联网和信息技术的快速发展,人们已经进入了一个信息爆炸的时代。用户在享受网络生活的快捷和便利的同时,还伴随着“信息过载”问题。基于协同过滤的推荐算法由于其简单且高效的原理而成为了网络平台解决信息过载问题的有效解决方法之一。然而该类算法在遇到数据稀疏和冷启动问题时却无法得到准确的推荐。为了解决以上问题,相关学者尝试将社交信息引入矩阵分解技术,有效提高了推荐性能。然而一些社交信息同样存在数据稀疏等问题,导致推荐效果并不理想,因此有必要考虑充分挖掘社交信息来更好地改进传统推荐算法的不足。本文通过对现有社交信任以及用户影响力的度量方法进行优化改进,力求充分利用社交信任和用户影响力改善推荐性能。主要研究内容包括以下几个部分:(1)从隐式信任的角度出发,提出了一种基于用户偏好的信任度量模型。该模型在分析了传统用户偏好计算方法的多处不足后,考虑将知识图谱的实体特征作为辅助信息补充原始项目特征,挖掘用户对项目的潜在偏好,最终根据用户偏好的反馈结合初始信任度构建信任矩阵,以缓解用户历史评分数据存在的冷启动问题从而充分挖掘社交信任关系。(2)考虑到社交网络拓扑结构的相关特性,提出了一种改进的结构洞算法MSH(Modified Structural Hole)度量社交网络中用户的影响力。该算法利用信任网络作为社交网络,根据其特性求得邻居用户信息扩散贡献能力,最终结合邻居用户的信息扩散贡献值以及节点间相关重要性度量社交网络中节点的用户影响力。在多种大规模网络中的实验结果显示,MSH在信息传播模型(SI)中取得了更快的传播速度,证明了MSH能够有效识别社交网络中影响力用户。(3)融合社交信息的Top-N推荐算法研究。为了充分利用社交信息以缓解传统协同过滤算法存在的不足,提出了基于社交信任的社会化算法FSTA(Factored similarity models for Social Trust Ameliorated),该算法考虑到用户间信任关系存在差异,分别从信任者和被信任者的角度,将它们融合进矩阵分解技术的研究中;为了充分利用社交信息,接着在FSTA算法的基础上融入影响力用户并提出了基于社交信任和用户影响力的社会化算法FSTI(Factored similarity models with Social Trust and Influence),最终完成Top-N推荐排名过程。为了验证两种算法的有效性,在Movie Lens-1M和Book-crossing两个真实世界数据集上进行了广泛的实验,实验结果证明了FSTA和FSTI相比同类基准算法具有更高的推荐性能,其中FSTI表现的最好。同时冷启动实验表明,即使用户-项目间的交互稀疏,所提出两种算法仍可以保持良好的性能。