随着社交网络的快速发展，网络上评分信息迅速增加，用户要从如此浩瀚的数据海洋中获取所需要的信息变得越来越困难，搜索引擎技术对所有用户给出相同的搜索结果，为了满足用户的个性化服务需求，各种推荐系统不断出现。目前的推荐算法存在很多局限性，传统的协同过滤推荐算法由于没有考虑社交网络中的社会信息，使得推荐质量不高，不能有效筛选出满足用户需求的项目和商品。针对上述问题，本文重点研究用户之间的信任关系、时间效应和地理位置等因素对基于社交网络的个性化推荐算法的影响，综合多种上下文信息建立一种新的个性化推荐模型，提高用户的满意度，实现高质量的个性化推荐。本论文的主要研究内容和研究成果总结如下：1.针对传统协同过滤推荐算法存在的缺陷，本文对矩阵分解技术进行了深入的分析和探讨，分析了特征向量维数对概率矩阵分解算法PMF推荐质量和推荐效率的影响。由于PMF算法仅仅利用用户-项目评分矩阵信息进行推荐，没有考虑用户兴趣偏好随着时间的推移而可能发生变化，致使推荐准确度不高。为此本文提出了融合时间效应的概率矩阵分解算法TPMF。实验结果表明，TPMF算法扩展性比较好，推荐精度比较高，能够解决数据的稀疏性问题。2.针对社交网络中基于信任关系的个性化推荐问题，综合考虑用户之间的直接信任关系和间接信任关系、信任的传播机制以及用户之间的相似度等因素，本文提出一种综合评价各种社会因素的推荐模型CETrust，该模型把信任关系和用户之间的相似度融合到概率矩阵分解中去，对选择到的信任用户和目标用户的相同偏好进行潜在因子特征分析。实验证明，相比一般的矩阵分解算法和基于用户信任的个性化推荐方法，CETrust算法具有明显的优越性，能够提高用户的满意度。3.为了进一步提高社交网络中个性化推荐算法的准确度，本文把信任传播机制、时间序列信息和用户-项目评分矩阵等信息融合到概率矩阵分解模型中去，建立了一种新的个性化推荐模型TrustSeqMF，该模型学习用户和项目的潜在特征向量，考虑时间因素，处理信任关系，即便用户没有对任何项目进行评分，它也可以通过信任关系来学习用户的特征向量。与已有的算法相比较，TrustSeqMF算法能够更好地解决冷启动问题，提高算法推荐的准确度。通过对算法的时间复杂度分析，表明TrustSeqMF算法能够比较容易地扩展到具有较大数据集的应用场景。4.针对当前比较流行的移动社交网络，提出一种基于上下文感知的移动社交网络推荐模型CMSR，算法通过对移动社交网络中用户之间潜在的社会关系进行分析，将用户的社会信息融入推荐算法，结合时间、地点等上下文因素来对用户可能感兴趣的位置进行预测。实验结果验证了算法的可行性，提高了移动网络环境下算法推荐的准确度。本文的创新点有以下几点：1.分析了社交网络中的时间因素和信任关系对个性化推荐算法的影响，并把这些社会因素融入相应的推荐算法中，提高推荐算法的准确度和扩展性。2.针对移动社交网络环境下的个性化推荐问题，提出一种融合地理位置和时间信息的个性化推荐方法，以使推荐结果更加符合移动用户的实际需求。3.提出并实现了一种融合多源社会信息的社交网络个性化推荐算法，实验结果证明了算法的优越性。本文通过对上述研究内容和创新点的讨论，深入分析各种社会因素对社交网络环境下个性化推荐算法准确度的影响，建立综合各种社会因素的推荐模型并应用到实际推荐场景中。实验结果表明，所提出的算法能够达到比较好的推荐精度，为进一步研究社交网络个性化推荐算法提供帮助。