社交网络的发展给推荐技术带来了新的契机,利用社交关系进行社会化的推荐,不仅能提高推荐的准确率,更能让用户信任系统的推荐理由,因而得到了电子商务网站和许多科研人员的青睐。本文以社会化推荐中的协同过滤推荐算法为主要研究对象,针对概率矩阵分解算法在实际推荐中面临的准确性和社交关系稀疏等问题展开了调研与研究,结合主题模型和聚类等机器学习方法,提出了解决这几个问题的方案,并通过实验验证了所提方案的效果。具体如下：1、针对基于概率矩阵分解的社会化推荐算法的准确性问题,提出了一种基于主题的朋友提取概率矩阵分解算法。该算法主要应用于社交关系较为稠密场景下的社会化推荐问题,它针对现有的社会化推荐算法在考虑来自社交关系的影响时,考虑过多朋友的影响导致的推荐准确率下降的问题,提出了相应的解决方案。该算法将用户看作喜好的集合,通过主题模型的训练,挖掘出用户的喜好,并根据喜好划分用户的社交关系,使得最终的推荐结果只受和用户在物品所属主题里拥有相同喜好的社交关系的影响。实验表明,该算法的推荐误差小于其他4种传统的概率矩阵分解算法,在一定程度上提高了推荐的准确率。2、针对基于主题的朋友提取概率矩阵分解算法以及其他的概率矩阵分解算法在社交关系稀疏时,推荐准确率下降的问题,提出了一种基于用户主题聚类的概率矩阵分解算法。该算法通过相同的用户喜好的主题挖掘,找出用户的喜好,并根据用户的喜好对所有用户进行聚类,再从聚类的结果为社交关系稀疏的用户“构建”新的社交关系,使这部分用户的社交关系变得相对稠密,以达到社会化推荐效果比较佳的场景下的推荐。该算法主要针对的是社交关系稀疏的用户群,通过实验我们可以得出结论,我们提出的算法可以降低社交关系稀疏用户推荐误差,从而在一定程度上解决了社交关系稀疏的问题。