随着信息技术的迅猛发展,多元化的在线数据规模越来越大,人们很难从中找到感兴趣且有用的信息。推荐系统的问世缓解了这一问题,它帮助用户更准确、高效的获取信息以满足用户的个性化需求。近年来,基于Web2.0的在线社交网络爆炸式增长,使得融合用户社交关系信息的社会化推荐算法在推荐领域得到了广泛使用。社会化推荐考虑到用户的行为偏好会受到其社交对象的影响,将用户的社交关系作为辅助信息引入推荐系统以缓解用户冷启动和评分数据稀疏问题。然而,现有的社会化推荐算法采用的用户社交信任网络是极度稀疏的,同时忽略了对用户间潜在社交信任的分析和挖掘,导致推荐准确率较低。因此,为解决上述问题,本文从用户间产生社交信任的原因出发,充分利用推荐系统内外部数据源来提高社会化推荐算法的性能,具体研究内容如下:（1）提出一种融合多语义信任度与全局信息的协同过滤算法。该算法首先引入加权异构信息网络来集成用户评分数据、社交网络、项目属性和用户标签等信息,利用包含不同语义信息的加权元路径挖掘用户间隐含的多种社交信任关系,并对其信任程度进行度量;其次,考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,改进了仅考虑共同评分项目上局部上下文信息的相似性度量方法,通过该方法计算用户间的相似度;最后,综合用户信任度和相似度进行评分预测。在两个真实数据集上的实验结果表明该算法有效的利用了系统内外部的信息,缓解了数据稀疏问题,提高了预测准确率。（2）针对系统无法获取额外的用户个人信息以及项目种类繁多时无法界定项目共有属性的场景,提出基于多语义信任关系的社会化矩阵分解推荐算法。该算法首先利用加权异构信息网络集成评分数据和项目类别信息以挖掘用户潜在的多语义信任关系,并结合用户间的显式社交信任重构用户社交信任网络;其次,设计两种不同的矩阵填充策略将用户的社交信息无缝整合到评分矩阵中;最后利用一种非负矩阵分解模型来预测评分矩阵中缺失的评分。在两个公开数据集上的大量实验验证了该算法在缓解用户冷启动和数据稀疏问题方面的有效性,推荐准确率方面也优于现有的社会化推荐算法。该论文有图25幅,表21个,参考文献64篇。