随着互联网的迅猛发展,出现了各式各样的社交平台。互联网的用户和交易物品的数量不断增多。每天都会产生数以万计的数据信息,这就导致人们使用搜索引擎进行需求数据搜索时无法保证较好的精准性。同时人们更加倾向于网络可以根据个人兴趣爱好推荐相关的信息。但是在目前的研究中模型自适应性、应对数据稀疏场景仍是比较难以解决的问题。本文主要研究个性化推荐,通过构建社交网络个性化推荐模型,结合特征提取和大数据挖掘方法,实现社交网络推荐过程中的信息挖掘,提升系统的推荐性能,本文的主要研究工作如下:(1)针对传统的概率矩阵分解模型自适应性不强的因素,根据观测用户的行动特点提出了个性化的推荐算法。创建互联网社交的用户行为信息特征挖掘模型,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据用户的行为偏好实现社交网络的个性化信息推荐。(2)在相关的热门应用中,深度学习算法发挥了重要的作用,在工业界,深度学习能够很好提升原有算法的效率。在推荐过程的构建特征、生成推荐候选集合、以及预测推荐分值等步骤有很好的应用效果。将推荐算法与深度学习算法相结合成为近几年的研究热点。针对概率矩阵分解模型推荐模型存在数据稀疏性缺陷。设计一个结合深度学习的神经网络算法和概率矩阵分解模型来充分利用高维稀疏场景中的特征为用户做出准确的推荐。(3)在现实中,单一用户在社交网络中并不会存在很多记录,即数据稀疏,这都会导致用户权重值的精确性较低。针对这一问题,采用基于多指标的概率矩阵分解模型。多指标评分基于评论上下文信息判断用户的个人兴趣爱好,并基于此推荐更加精确的信息给用户。多指标评分系统中采用整体用户的评分影响权重,多指标评分对矩阵分解具备较大的影响,在构建矩阵分解模型过程时就要充分考虑各个指标之间的关系,由此,将更多的用户、项目等相关信息融入用户-项目-多指标关系模型来提升推荐效果。