随着在线网络的迅速发展和广泛应用,人们在享受科技带来新生活的同时也面临“信息过载”的困扰。推荐系统被认为是解决信息过载最有效的方式之一,受到了工业界和学术界的广泛关注。社交是人类作为社会性群体的基本属性,也是现代互联网应用发展的必备要素。得益于在线社交功能的不断完善和社交信息的大量补给,融合社交信息提升个性化推荐的效果已成为近年来推荐领域的研究热点。虽然目前的研究工作已经在该领域取得了一定的研究成果,然而在推荐的准确性、多样性等方面仍存在不足。因此,针对特定网络的特点和现有研究工作的不足,本文从三个方面对融合社交信息的个性化推荐展开深入研究,并取得以下主要成果:一、针对单向社交网络中用户推荐的准确性问题,本文研究了融合关注关系进行个性化推荐,提出了一个新的用户推荐框架UIS-MF。单向社交网络中,仅使用关注关系为目标用户过滤不相关用户是一项艰巨且关键的任务。相关工作直接使用关注关系完成推荐而不区分关注关系建立背后的兴趣动因和社交动因,导致了用户偏好预测不够全面进而影响了推荐准确性。有鉴于此,本文设计了一个两阶段用户推荐框架UIS-MF。在第一阶段,一个基于用户关注关系的概率主题模型UIS-LDA被提出用于聚类用户的兴趣主题和社交主题。该模型的创新点是将生成的波利亚罐子模型引入采样过程以有效指导两类主题的生成,也是首个联合建模用户兴趣偏好和社交偏好的主题模型;在第二阶段,一个基于社区的矩阵分解方法被提出用于完成用户推荐。该方法首先依赖提取的主题形成相应的兴趣社区和社交社区,随后对每个社区执行矩阵分解,最终为目标用户推荐N个与之兴趣最为相近或社交联系最为密切的其他用户。通过Twitter、Sina Weibo和Epinions数据集上的实验可知,相比于单独考虑用户兴趣或单独考虑社交联系的主题模型,UIS-LDA模型在推荐准确性上总能获得最优结果。同时,基于社区的方法在一定程度上缓解了数据稀疏性问题。与同类推荐方法相比,UIS-MF在推荐准确性上的各方面指标提升显著。二、针对信任网络中物品推荐的准确性问题,本文研究了融合信任关系进行个性化推荐,提出了两个更优的融合信任关系的物品排序推荐方法:BPRDR和FSDR。并且基于BPRDR框架,提出了一个同时融合不信任关系的物品排序推荐方法BPRTaD。通过对Epinions、Ciao和FilmTrust数据集进行统计分析发现,用户在选择物品时不仅会受到她信任的人的影响,同时也被信任她的人所影响。相关工作没有全面考虑来自这两种信任角色的“双重角色影响”,进而影响了推荐的准确性。有鉴于此,本文提出了两个不同的融合“双重角色影响”的矩阵分解方法。其中,BPRDR使用三个成对假设刻画“双重角色影响”,并在贝叶斯个性化排序框架下对这三个成对的用户偏好进行排序优化,最终通过矩阵分解获得用户对物品的偏好分数;FSDR采用特征矩阵隐式向量的相似度量化“双重角色影响”,并结合用户-用户相似度以及物品-物品相似度共同计算出用户对物品的偏好分数。最终两个方法均通过排序偏好分数为目标用户生成包含前N个物品的推荐列表。实验结果表明,BPRDR和F进一步提升了同类推荐方法的准确性,验证了“双重角色影响”在排序推荐中的积极作用。此外,为了研究不信任关系对物品排序推荐的影响,本文提出BPRTaD方法,该方法首次将不信任关系引入贝叶斯个性化排序模型。与BPRDR不同,BPRTaD考虑的是来自用户信任的人以及不信任的人的“双重角色影响”。尽管如此,BPRTaD有与BPRDR类似的成对假设结构、优化思路和推荐策略。实验结果表明,BPRDR在三个准确性指标上提升明显,凸显不信任关系对排序推荐的重要性,为信任网络中排序推荐的进一步研究带来有益启发。三、针对在线网络物品推荐的准确性和多样性两难问题,本文研究了融合好友关系和个体好奇心进行个性化推荐,提出了一个好奇心驱动的推荐框架CdRF。推荐系统过度强调准确性会令用户感觉无聊,而过度强调多样性又会令用户感觉不安。针对该两难问题,本文基于好奇心驱动、社会冲突和中间唤醒潜能三个心理学理论,提出了一个全新的刺激诱发的好奇心机制SeCM。该机制首先量化物品对各个用户呈现出来的新颖刺激强度和冲突刺激强度,随后采用Wundt曲线建模用户个性化的好奇心。SeCM的创新点是首次从好友-物品反馈视角定义和量化冲突刺激,也是第一个全面考虑两种刺激诱因的好奇心机制,同时首次构造出具备学习能力的Wundt曲线。为了完成物品推荐任务,本文提出了一个好奇心驱动的推荐框架CdRF。该框架采用Borda计数将SeCM和现有以准确性为目标的矩阵分解算法结合,最终为目标用户推荐N个既与之相关又能诱发其较高好奇心的物品。通过MovieLens-1M和MovieLens-l00K数据集上的十四种内外部方法对比实验可知,SeCM能够显著提升推荐的多样性。CdRF在保证相对较高准确性的同时,能够灵活地且更快更多地提升推荐的多样性,有效地缓解了准确性和多样性两难问题。