随着信息的爆炸式增长,推荐系统的出现提供了一种有效解决信息过载问题的手段,它能够帮助用户从互联网产生的海量信息中提取有用的信息内容。首先,它通过分析用户在互联网中产生的行为数据,然后在此基础上建立用户兴趣模型,为他们提供感兴趣或需要的内容。近几年,推荐系统研究广泛应用于计算广告,电商和视频网站等领域,提升了商业价值。然而传统的推荐算法忽略了社会网络中的社会影响力对推荐系统的影响,事实上,在现实生活中人们常常会选择朋友推荐的产品。于是,社会影响力也是一种提升推荐效果的重要来源,随着微博,微信等社交媒体的流行,越来越多的人开始研究在社会网络的基础上,利用社会关系等信息来提高推荐质量。本文在分析推荐系统领域的相关研究基础上,发现从用户之间的社会关系入手,加入用户的社会影响力能够有效改善推荐效果。然而,目前一些加入社会关系的推荐算法中,考虑的社会影响力都是单一静态的,忽略了社会影响力的多样性和动态变化等特征,显然这与事实是不相符合的。另外,用户在社会网络中往往会表现出不同的行为倾向,用户角色信息与行为特征又是息息相关的,而现有的一些加入社会关系的推荐算法往往忽略用户的角色多样性。因此,本文中主要从这两个方面入手来解决推荐系统中存在的问题。推荐系统需要挖掘用户的兴趣并预测他们的行为,而社会影响力正是探索用户交互的一种重要手段。通过分析用户交互网络,本文学习了多维度的社会影响力在挖掘用户潜在兴趣中的重要作用。然而,用户兴趣是随着时间变化的,社会影响力也是动态变化的,因此本文的目的是利用动态的社会关系为用户推荐感兴趣的商品,本文对用户由于社会交互而带来的兴趣变化进行建模,提出了一种概率图模型简称为IRDMSI来融入动态的多维度社会影响力。本文发现该模型不仅带来了很好的推荐效果,而且揭示了社会网络中用户动态交互行为的一些常见规律。此外针对用户间的社会网络关系,我们从社会理论的角度分析了社会影响力。然后,不同类型的用户(不同角色的用户)可能有不同的从众行为。现有的一些推荐算法大多都假设用户角色都是单一而忽略用户多样化的角色信息对推荐的重要影响。因此,我们研究了推荐系统中带有用户角色的从众倾向是如何变化的。我们首先通过定义一个通用函数来形式化从众影响力,然后提出结合用户角色和从众影响力的一个概率图模型,即角色从众推荐系统(RCRS)。该模型允许我们通过利用潜在因子和潜在角色作为特征为用户推荐商品。我们在几个数据集上评价该模型,实验结果显示我们的模型远超过一些现有的基准算法。