Web2.0时代人们日常生活已经离不开互联网,用户从被动接收信息到主动获取信息的转变,使得数据量增加且数据类型复杂多样。由于用户无法从海量信息中快速准确定位自己所需信息,随之产生了“信息过载”现象。“信息过载”问题存在于推荐系统中最主要的两种表现形式为数据稀疏性问题和数据可扩展性问题。协同过滤作为一种信息过滤技术,可用于解决当前推荐性能不佳的问题。因此,为了解决社交网络环境中推荐系统存在的数据稀疏性问题和数据可扩展性问题,本文以协同过滤为基础,融合社交网络信息进行算法研究。本文的主要工作和创新如下:1.针对社交网络推荐系统中存在的数据稀疏性问题,以概率矩阵分解方法作为推荐框架,将用户-项目特征属性、项目关联度、用户个人特征属性与社交特征属性这四部分信息按矩阵分解的方式结合在同一框架下实现协同过滤推荐算法的设计,并验证了面向社交网络环境下此推荐系统框架的有效性和可行性。通过实验数据仿真分析得出所提算法能有效解决推荐系统中的数据稀疏性问题,降低系统的平均绝对误差和均方根误差。2.大数据环境具有数据量大、数据更新快、数据利用率低的特点,而通过贴标签,利用标签事先对数据进行分类是提高数据利用率的一种有效方法。因此,针对社交网络推荐系统中存在的数据可扩展性问题,以协同过滤推荐为基础,结合智慧社区服务平台,将推荐问题转化为分类问题进行研究。此部分内容首先介绍了数据预处理方案;其次通过联合非负矩阵分解模型挖掘主题社区,将K均值聚类思想运用于分类中产生主题社区;最后,在产生Top-N推荐列表的过程中接入损失函数与Kullback-Leibler散度相结合的二度分离更新机制,进行数据动态更新求解最优解。实验结果表明提出的算法能有效解决推荐系统中的数据可扩展性问题,提高了系统的精准率和召回率。