随着互联网的普及,基于交互行为的互联网服务平台取得了前所未有的发展。通过大量信息分享、观点表达等行为进行互动,社交网络已成为人们日常生活中重要的交流平台。日益增长的信息资源造成了信息过载现象,而推荐系统的出现缓解了信息过载造成的问题,其中协同过滤推荐技术是目前应用最广泛的推荐方法。但是协同过滤算法仍然存在不足之处,其中最为明显的是推荐差异化不足和数据稀疏性造成的推荐精度不足问题。本论文总结近年来社交网络中的推荐系统研究状况,通过对用户行为的分析,展开用户角色发现以及张量分解算法的研究。主要研究工作如下:1.本论文设计一种基于熵原理的角色发现模型。针对社交网络中海量的用户行为数据,基于信息熵原理,从三个维度度量用户角色。首先,结合用户在社交网络中的行为偏好,利用信息熵计算用户的兴趣多样性。其次,考虑到用户的社交关系和信息传播能力,使用熵权方法综合考量用户的社交影响力。最后,分析用户在不同时期的参与行为,结合云模型转换序列数据的特性,使用云模型的熵计算用户的活跃程度。综上分析,分别从不同维度对用户进行角色发现,并结合协同过滤算法提升推荐效果。2.本论文提出一种融合动态角色标识和张量分解的推荐模型。首先,针对用户无角色差异问题,利用信息熵度量用户角色。其次,考虑到用户兴趣随时间推移发生转变,提出时间窗方法动态度量用户角色,解决了静态角色下用户偏好计算不准确问题。最后,为提高评分预测精度,通过引入张量分解模型在数据转换中的特性,构建“用户-项目-角色”张量分解评分预测模型。在张量分解过程中,迭代处理缺失值,优化评分预测结果,生成用户推荐列表。最后,本论文结合豆瓣网真实数据,对模型进行实验验证和分析。实验表明,本论文提出的方法改善了用户无角色差异导致的推荐精度不足问题,同时在数据稀疏环境下具有良好的推荐质量。