推荐系统的用户反馈包含显示反馈和隐式反馈,显示反馈通常是指用户对物品的数值评分,而隐式反馈通常是以二元形式描述的用户对物品的交互行为。由于在实际的应用场景下显示反馈难以获取,因此推荐系统需要利用易于获取的隐式反馈学习用户的偏好。由于隐式反馈数据具有高度稀疏性,采用基于评分的方法估计用户对物品的数值评分难以获得好的效果,而采用基于排序的方法通过估计用户对物品的相对偏好可以避免隐式反馈数据的稀疏性。近年来,社交网络被引入推荐系统用于提升推荐的准确率,由于社交网络中的朋友间通常具有相似的爱好,因此可以利用用户的朋友的偏好来估计用户自己的偏好。现有的社交推荐方法只考虑了用户在社交网络中直接朋友,而没有考虑用户间的影响在社交网络中的传播过程。因此现有方法无法充分利用社交网络的图结构信息,限制了其推荐的准确率。针对现有方法的不足之处,提出一种社交距离感知贝叶斯个性化排序推荐算法(Social Distance-aware Bayesian Personalized Ranking,SDBPR),其核心思想是采用直接对用户的物品偏好排序进行建模的方式避免隐式反馈数据的稀疏性,并通过考虑任意两个多步距离的间接朋友模拟用户影响在社交网络中的传播过程,从而充分利用了社交网络的图结构信息。具体而言,SDBPR首先使用随机游走算法对社交网络进行遍历采样得到随机路径,并基于随机路径上的用户间距离生成用户对物品的二元排序假设;然后利用贝叶斯方法计算这些二元排序假设发生的概率并通过随机梯度下降法最大化这个概率得到用户及物品的特征表示;最后利用用户及物品的特征表示计算用户对物品的偏好数值,进而生成用户对物品的偏好排序列表。实验中在两个真实的数据集上测试SDBPR模型的性能,并将其与现有的其他几个方法作对比。实验结果表明,SDBPR模型比其他几个方法具有更好的推荐性能。