随着互联网的飞速发展及现代信息技术的提升,人们或企业作为互联网内容的生产者,每天产生大量的信息,直接导致信息内容的过载问题。从信息消费者的角度来看,互联网用户需要在大量数据中准确地获取所需信息,高速增长的数据量与用户消费需求促进着数据挖掘领域内推荐系统理论研究的不断发展。本论文从用户历史行为与社交关系两个角度出发,运用不确定性理论及交叉学科的思想研究新的推荐策略,对用户的行为兴趣和社交关系进行模型、算法的研究。本论文的研究内容和主要创新点体现在以下方面:1.在用户历史行为研究方面,针对现有推荐算法中数据不均匀以及数据稀疏问题,围绕社交网络的应用特性,引入并改进灰色系统理论相关模型,并在此基础上进一步设计实现一种新型的项目推荐策略。首先,通过对用户的评分行为分析,从用户-项目-上下文的角度找出影响用户评分行为的相关因素,动态量化驱动用户评分的相关因素;其次,针对项目评分观测序列的数据稀疏及不均匀问题,利用灰色系统理论GM(1,N)模型构建用户评分预测模型,挖掘用户评分行为与相关因素的显性关系。最后,针对用户喜好具有时效性的问题,利用时间衰变函数,提升灰色系统预测模型的预测精度。实验表明,该算法不仅能够有效地对用户评分行为进行预测而且能够精确量化相关因素对用户评分的驱动强度。2.在社交关系研究方面,针对现有好友推荐算法主要考虑用户相似行为而忽略用户长期兴趣,导致用户相关性计算较差的问题,从相似行为、兴趣偏好出发,引入并改进灰色接近关联分析方法,设计一种隐性好友推荐算法。首先,分析用户历史行为数据,提取历史行为特征属性,主要包括用户间的共同行为;其次,提取体现用户兴趣偏好的标签信息,并对用户标签进行相似度计算,量化用户间的兴趣偏好;最后,利用改进的灰色接近关联分析方法,将用户评分向量空间关联度与用户行为相似度、兴趣偏好融合,挖掘用户隐性的链接关系,进行好友推荐。实验表明,该算法能准确表达用户间的关联关系,在推荐准确率上有较大的提高。