随着社交网络和多媒体内容共享网站的普及,信息过载和数据膨胀很大程度地制约了用户体验的发展。协同过滤推荐系统通过分析用户的历史行为数据实现个性化推荐但是传统协同过滤算法过分依赖用户历史评分数据,冷启动和数据稀疏性问题突出。社会标签作为一种重要的用户行为,是社会标签系统推荐的核心和基础,兼具内容与关联的双重特征。矩阵因子分解技术通过对原始矩阵进行特征降维,可与社会标签有效融合,具有强扩展性和高预测精度。当前,社会标签系统推荐中主要存在社会标签复杂情感语义间的耦合、稀疏特征输入间的复杂交互以及用户之间非线性的复杂交互等问题。本文集成社会化推荐技术、社会标签技术、矩阵分解技术以及情感分析技术等方面的研究,提出了融入社会标签情感强度和时序特征的矩阵分解推荐模型。首先,基于混合专家模型提出了可用于识别和量化社会标签情感强度的情感分析方法,组合了随机森林、神经网络和轻梯度提升的机器学习方法,输出用户细粒度情感概况矩阵。然后将用户、资源和社会标签之间的三元动态复杂拓扑关系融入到矩阵因子分解过程中。通过社会标签的情感强度识别和时序特征挖掘来扩展社会标签矩阵分解模型的耦合项之间的潜在特征因子,并利用社会正则化技术约束社会标签矩阵分解过程。同时,改进了传统用户相似性度量方法,将用户的局部关系与社会标签矩阵分解的全局模型相融合,最终实现了社会标签情感强度和时序特征的矩阵分解推荐模型的评分预测和资源推荐功能。最后,本文在Last.FM和Movie Lens两个公共数据集上对STSMF模型进行了实验验证,与当前同类先进算法进行对比分析,采用MAE、RMSE、Recall、Precious等指标进行性能评价和敏感性分析。实验结果表明,本文所提出的社会标签情感分析在挖掘用户细粒度情感方面效果显著,STSMF模型的推荐预测性能优于同类先进的方法。