近年来,推荐系统(Recommender Systems)已成为解决用户生成内容信息过载问题的有效手段之一,然而,传统推荐方法一般基于协同过滤的推荐技术,大都只考虑用户显式兴趣对推荐结果的影响。对用户行为进行深层分析,发现在某一情境下,为用户推荐的产品和服务不仅受用户自身兴趣(显式兴趣和隐式兴趣)的影响,还受当前所处情境的影响。因此,本文针对在线社会网络下的用户行为、用户兴趣与用户所处的情境进行深入地挖掘分析,提出四种面向用户兴趣深层分析的推荐方法,主要研究内容如下:1.基于双隐式挖掘的潜在朋友推荐深入分析社会关系对用户活动的影响,发现用户隐式兴趣主题权重和用户之间的隐式链接关系对潜在朋友推荐是非常重要的,在此基础上,提出一种基于双隐式挖掘的潜在朋友推荐。在第一隐式挖掘阶段,使用提出的ARAU-ATCI算法识别用户兴趣主题、计算用户兴趣主题权重,然后计算用户隐式兴趣主题相似度;在第二隐式挖掘阶段,使用提出的WL-RWR算法计算局部主题簇中用户隐式链接关系相似度。把用户隐式兴趣主题相似度和用户隐式链接关系相似度以线性方式结合在一起,向目标用户推荐基于双隐式挖掘的Top-N个潜在朋友。实验结果表明,双隐式挖掘潜在朋友推荐性能优于已有的几种朋友推荐方法。2.基于深层成员关系与深层友谊关系感知的社会化推荐针对已有的社会化推荐未深入细致考虑社会关系对推荐结果的影响,提出一种基于深层成员关系与深层友谊关系感知的社会化推荐。首先,使用改进的Jaccard相似度计算用户之间深层成员关系相似度,使用提出的两跳重启随机游走算法计算用户之间的深层友谊关系相似度。把用户之间的深层成员关系相似度和深层友谊关系相似度结合在一起,融合到基于矩阵分解的社会化推荐中。实验结果表明,深层成员关系与深层友谊关系感知的社会化推荐性能优于已有的几种社会化推荐方法。3.基于双地理-社会关系与深隐式兴趣主题挖掘的兴趣点推荐在基于位置的社会网络下,已有的兴趣点推荐大都未深入考虑在用户可达的某一区域下,用户自身兴趣、用户的社会关系和用户对兴趣点评论所蕴含的的深隐式主题同时对兴趣点推荐性能的影响,本文融合双地理-社会关系(基于链接的关系与基于共同签到行为的关系)和深隐式兴趣主题相似度对用户签到行为进行建模,提出一种基于双地理-社会关系与深隐式兴趣主题挖掘的兴趣点推荐方法。采用SimRank相似度和余弦相似度混合模型挖掘用户之间的双地理-社会关系,采用提出的RUA-TCP主题模型计算用户之间的深隐式兴趣主题相似度,在此基础上,实现兴趣点推荐。实验结果表明,基于双地理-社会关系与深隐式兴趣主题挖掘的兴趣点推荐方法具有较好的性能。4.基于兴趣点真流行度与双隐式信任挖掘的周期兴趣点推荐在基于位置的社会网络下,针对用户兴趣和用户需求在时间上呈周期变化的特性,提出一种基于兴趣点真流行度与双隐式信任挖掘的周期兴趣点推荐。把用户在兴趣点上的签到行为按固定的时间段进行划分,在每一时间段,挖掘真正流行的兴趣点和双隐式信任机制(对相似类别专家的隐式信任和对潜在朋友的隐式信任)对周期兴趣点推荐的影响。兴趣点真流行度与双隐式信任机制被作为矩阵分解的正则化项约束矩阵分解,实现周期兴趣点推荐。实验结果表明,基于兴趣点真流行度与双隐式信任挖掘的周期兴趣点推荐性能优于已有的几种兴趣点推荐方法。