随着新时代互联网信息技术的迅速发展,推荐系统的出现为信息过载问题带来极大的缓解。对于当前流行的推荐方法在实际应用都有良好的表现,但在用户兴趣建模的过程中,需要大量用户评分、评论、物品喜好等这类明确反应用户兴趣喜好的主观性数据,但因主观因素的差异性和训练数据规模会影响用户的兴趣模型推荐效果,造成推荐系统的数据稀疏性、推荐物品的准确性等问题。但对于网站服务中较易获取的隐性反馈数据来说,其包含有用户更多的潜在兴趣特征,更能准确地学习获得兴趣模型。因此,对于这些问题的出现本文主要从用户的隐性反馈数据着手做了以下的研究工作:1.利用用户之间的社会关系的辅助信息,将用户隐性反馈行为和关注关系融入到图推荐算法中,用户之间的关注关系的加入能够弥补信息资源数据的不足,即存在一定的数据稀疏性问题,推荐算法也能够利用新加入的用户间关注关系为目标用户发现潜在的兴趣内容。用户对于其关注用户多少存在一定的排外心理,即存在一些关注关系不能反映用户之间的相似性。为此,本文提出一种基于概率神经网络(PNN)的划分有效关注关系的方法,用以剔除用户关注网络中影响推荐效果的用户关系,再利用关注网络完成个性化推荐。该算法在Epinions和YouKu数据集上进行推荐效果实验评测。2.基于用户隐性反馈行为与信任度的图推荐方法。信任关系作为社会化网络中最可靠的关系形式,相比于关注关系这类存在随机性的行为,用户更倾向于接受信任好友的推荐信息。为此,以基本的图模型推荐为研究的基础,提出一种将社会化网络中的用户信任度融入图模型中计算用户间的兴趣相似度的方法,通过信任关系将潜在感兴趣内容传递给目标用户,不仅能够挖掘更多目标兴趣内容,更能提高内容推荐的性能。该方法在Ciao、FilmTrust等四个数据集上进行实验评测。通过对用户隐性反馈行为和用户社会化关系的深入分析,实验验证了所提出方法的有效性,基本达到我们预期的期望。