互联网和人工智能技术的快速发展为信息的传播和有效利用提供了时宜的契机,但是随着信息量的大量积累,信息过载问题已然成为困扰人们的重要问题,为此个性化推荐算法应运而生。推荐算法不仅可以节省用户的搜索成本,增强用户体验,而且可以将有价值的产品推荐给用户,增强实体制造商的积极性。因此,如何将有价值的产品推荐给有真正需求的用户是推荐算法研究的重要课题。融合社会化关系的个性化推荐算法不仅可以传递好友间的信息,而且可以增强算法的预测性能。当前,个性化推荐算法存在着一些问题:首先,一些算法仅仅利用评分信息和信任信息来限制用户的潜在特征以实现好友间的信息传递,忽略了产品信息的重要性,即未曾思考通过约束产品潜在特征的方式实现产品间的信息传递;其次,一些用户的好友数量较少且点击或者购买产品的数量也少,造成了数据的稀疏,严重阻碍了算法的推荐性能;再次,显性的社交关系中存在着嘈杂性的问题,即用户与虚假好友之间的信息传递可能阻碍算法的优化;然后,用户与可信好友之间也存在喜好的偏差,即人类的喜好并非是单一的,而是多元性的;最后,用户与好友之间存在着动态地变化,仅仅建模用户与好友之间的静态关系并不符合真实的生活。为解决上述问题,本文进行了融合社会化关系的个性化推荐算法研究,并在真实的数据集上进行实验和分析,具体的研究内容如下:1.为了实现信任用户之间以及相关产品之间的信息传递,提出了融合产品信息的社会化推荐算法,该模型先在评分信息上构建产品相关性,随后利用随机游走和Skip-Gram的方法构建深度产品相关性,接着利用图卷积神经网络学习评分信息、信任信息和产品间的深度相关性,获取用户和产品的深层次特征,最后利用优化的矩阵分解方式传递产品间的相关关系和以及用户间的信任关系,实现用户的偏好预测。2.为了解决矩阵分解无法直观表现用户喜好的问题,本文进一步通过马氏距离的方式来预测用户的喜好,并且融合了多种信息,实现了人与产品之间、人与人之间以及产品与产品之间的信息传递。实验表明,上述算法可以有效地预测出普通用户和冷启动的偏好。3.为了适时地构建用户之间的信任关系,提出了融合生成对抗图卷积神经网络的社会化推荐算法,该模型先在评分信息和显性社交信息上构建了更为可靠的潜在好友关系,随后利用高效的图卷积神经网络学习评分信息的结构特征,获取用户和产品的深层次特征,最后采用生成对抗网络动态地构建出与用户具有相同喜好的可信好友,惩戒虚假的好友,实现用户与好友之间的动态变化,同时为了保障好友的选择具有随机性,采用自动编码器来重新构建好友关系。实验表明,该算法可以有效地为普通用户和冷启动用户推荐适宜的产品。