信息爆炸的时代,单纯使用搜索引擎获取信息的方式已然无法满足人们的日常所需。在互联网背景下诞生的推荐系统,通过研究人们的历史行为,主动向人们提供可能感兴趣的信息,很好地解决了这一难题。但传统的推荐算法普遍难以解决冷启动问题,并且受到数据稀疏性的影响较大。随着在线社交网络的兴起,研究者们开始将社交网络拓扑结构的影响加入到推荐算法的考虑过程之中,弥补了传统推荐算法的不足,这就是社交网络推荐。本文的工作主要分为两个部分:矩阵补全和深度社交矩阵分解。两者都是借助用户和用户之间的信任关系、用户和商品之间的交互行为,对用户特征和商品特征进行深度挖掘。矩阵补全在本文中的目标是对实验数据进行预处理,以避免传统推荐算法因基于数据随机丢失的前提而引起的计算偏差。在矩阵补全的基础上,考虑到算法兼顾显式评分和隐式反馈的重要性,本文提出了将深度矩阵分解方法扩展到社交网络推荐领域的处理框架。随着在线社交网络的快速发展,许多数据挖掘技术都开始把社交关系加入到推荐算法的考量范围之中。虽然已经有了大量的工作,但是大多数社交网络推荐算法都基于同一个假设——用户历史数据中的缺失值是随机丢失的,但在现实生活中这是很少见的情况。当算法的前提假设不成立时,推荐效果必然受损。本文以网络成员之间的亲疏关系为切入点,提出了一种基于贝叶斯个性化排序的全新的矩阵补全方法,对原始数据中的部分缺失值进行补全。实验结果表明,模型在进行数据预处理后表现能够得到进一步提升,尤其是在Ciao数据集上MRR值提升了6.36%。推荐系统数据分为显式评分和隐式反馈。相比于隐式反馈,显式评分数量较少,但单纯使用显式评分进行推荐时效果更好。隐式反馈数量较多,且更能展现用户的隐藏兴趣。在社交网络推荐领域,还很少有方法同时考虑用户的显式评分和非偏好的隐式反馈。鉴于深度矩阵分解方法在传统top-N推荐方面的优势,本文提出了扩展深度矩阵分解模型到社交网络推荐领域的处理框架,对用户和商品信息进行充分挖掘。最后在三个真实数据集上进行大量实验并与主流算法进行对比分析,结果表明本文所提出的算法得到了最优的top-N推荐,这证明了模型的有效性。