推荐系统能够挖掘出用户可能感兴趣的内容,一定程度上缓解信息过载问题。在推荐系统中利用社交网络信息不仅符合真实场景中用户对于物品的选择过程,同时能够缓解推荐系统中普遍存在的稀疏性和冷启动问题。因此基于社交网络的推荐算法引发了学术界与工业界的关注。现有的基于社交网络的推荐算法还存在一些问题:一,推荐算法核心在于计算用户之间的影响力,大多数算法利用相似度公式进行计算并作为影响力使用,不同的相似度计算方式对于推荐效果影响巨大;二,多数推荐算法没有模拟真实世界中用户对于物品的选择过程,忽视了用户兴趣偏好与用户社交网络的建立是互相影响的动态过程。针对上述问题,本文提出了基于社交网络的两个推荐模型,分别是基于社交网络的生成推荐模型(social based generative model for recommendation)(简称SoGeM)与基于社交网络的矩阵分解推荐模型(social based matrix factorization model for recommendation)(简称 SoMF),并设计实验证明这两个模型的推荐效果优于其他6个经典的baseline算法。本文研究的主要成果包括:(1)提出基于隐含狄利克雷分布(latent dirichlet allocation)(简称LDA)并结合社交网络信息的SoGeM推荐模型,SoGeM假设用户对物品的交互行为来自于用户自身偏好或社交好友影响,将选购行为模拟为一个生成过程,通过使用吉布斯采样法对模型进行训练,能够实现对用户选购模式的建模,并量化获取好友间影响力大小,从而能够计算任意用户选购任意物品的概率大小并将概率最大的top-n物品推荐给用户。(2)本文分析说明了 LDA与矩阵分解(matrix factorization)(简称MF)的内在联系,将SoGeM的模型假设映射到MF中并提出SoMF模型。通过使用随机梯度下降法对SoMF模型进行训练,同样能够实现对用户选购模式建模并量化好友间影响力大小,从而进行物品推荐。(3)选取4个社交平台上的数据集对所提模型的有效性进行实验验证,使用准确率(precision)、召回率(recall)及平均倒数排序(mean reciprocal rankk)(简称MRR)进行效果评估,实验表明SoGeM与SoMF模型的推荐效果优于其他推荐算法。基于SoMF及SoGeM模型,设计并实现了基于社交网络的原型系统。本文首先对基于社交网络信息推荐系统的研究意义进行分析,指出现有研究存在的问题,在此基础上提出SoGeM与SoMF模型,之后进行实验验证与原型系统设计,最后是工作总结与未来展望。