信息时代的迅速发展,为人们提供了诸多便利,但是大量的数据同时也给人们带来一定的困扰,导致用户选择信息比较困难,因此推荐系统的出现就是为了帮助人们解决这一出现的问题。由于每个用户都存在于各种社交关系中,所以将社交关系与推荐系统进行结合成为可以有效的帮助人们得到自己想要的信息。现实世界中用户不可能存在于一种社交关系中,并且对于该用户来说,并且每一种社交关系对推荐效果产生的作用也是存在差别的,但现有的社会化推荐算法往往只引入了一种社交关系,因此将大大降低推荐的准确率。为了改善这种现象,本文基于已有的社会化推荐算法,实现推荐系统与多种社交关系的结合,通过在数据集Epinions上实验得出结果,具体研究内容和结果如下:1.传统的矩阵分解推荐算法没有引入社交关系,或者只引入了一种社交关系,忽略了多种社交关系的对推荐产生的作用,因此本文在多子网复合复杂网络模型的基础上,提出了MDRS2推荐算法,首先将用户商品评分矩阵进行分解,得到用户和商品的潜在特征空间,通过这两个特征空间进行内积,对空白评分进行预测,根据提出的模型得到损失函数,然后利用梯度下降不断的进行迭代,直到得到最优解,利用得到的预测值,完成对用户的推荐。通过实验结果表明,结合多种社交关系的推荐算法,相比之前不加社交关系或者只考虑一种关系的推荐算法,推荐结果有所提高,因此可以更好的服务于用户。2.虽然引入社交关系改善了推荐的结果,但是对于整个数据集来说,数据依然存在较高的稀疏性,因此提出了基于社团结构划分的概率矩阵分解推荐算法,利用聚类算法将影响力相近的用户划分到同一社团,目的是为了改善数据的稀疏性,然后根据协同过滤推荐算法,依据条件概率找到用户的邻居用户,通过邻居用户给出的评分,预测空白评分,通过这一步完成第一次数据填充,将得到一个全新的用户商品评分矩阵,结合前文提出的MDRS2推荐算法模型,将填充完的数据进行再一次分解,对数据进行第二次评分预测,这将大大降低数据的稀疏性,实验结果表明,通过降低数据的稀疏性使得推荐结果进一步得到改善。