21世纪是一个信息过载的时代。每天都有无数新闻、广告、电子邮件等新信息以迅猛的速度产生。为了帮助人们准确、高效地寻找到所需要的信息,推荐系统被越来越多地应用到各种门户网站和电子商务系统中。尽管如此,冷启动问题和数据稀疏仍然影响着推荐系统的性能。随着社交网络平台的普及,社会网络信息被融入到传统的协同过滤推荐算法(Collaborative Filtering,简称CF)中,以缓解评分信息稀疏对推荐性能造成的影响。然而现有社会推荐算法普遍关注于信任关系,却忽略了影响力用户,即那些能够通过网络结构影响其他用户的观点和看法的人群对用户最后的决定也起了很大的作用。同时现有基于信任的推荐算法通常直接利用社交网络的二值信任关系来提高推荐质量,很少考虑用户间信任强度的差异和潜在影响。基于这两个主要问题,本文就进一步增强推荐算法性能的目标进行了以下的研究:(1)为了解决信任数据稀疏和二值信任关系等问题,提出了一个融合用户交互信息和偏好度的新型的信任度量模型,挖掘社交网络用户间存在的隐含信任关系,构建社会信任网络;(2)提出一种基于结构洞的影响力关键节点识别算法。该算法利用复杂网络中节点的自身属性及邻域节点的拓扑结构计算节点的重要性,挖掘社会网络中的影响力用户(关键节点)。(3)针对Top-N推荐场景,综合考虑用户信任和影响力对推荐效果的影响,提出了一个基于用户和项目相似性、信任和社会影响力相结合的Top-N推荐模型 FSTID(Factored Similarity model with Trust and Influence based on Deep learning)。此外针对传统协同过滤算法随机初始化用户及项目特征向量的不足之处,FSTID采用自动编码器对用户行为进行无监督地初始特征优化,提高推荐性能。最后在FilmTrust,Epinions和Ciao三个标准数据集上进行对比验证,实验结果证明了FSTID的高效性。(4)针对评分预测场景,在奇异值分解模型(Singular Value Decomposition,简称SVD)的基础上提出一种融合社会信任和影响力的个性化推荐算法ITSVD(Influence and Trust based on SVD)。在考虑信任用户对目标用户进行评分预测时的显式和隐式影响时,进一步融合高影响力用户对目标用户的影响。在两个真实世界的教育数据集上进行的实验证明ITSVD有效提高了评分预测的准确度。