随着计算机的普及以及互联网的快速发展,越来越多的信息服务为用户的日常生活带来了便利,尤其是近年来智能手机的普及,使得用户可以随时随地地在网络中分享或者获取信息。这些丰富的信息服务使得网络上的信息资源呈现出了指数增长的趋势,越来越多的信息充斥着网络,导致了用户在面对这些海量的数据时无法快速找到对自己真正有用的信息,即所谓的信息过载问题。为了使用户能够高效地获取到自己需要的信息,以个性化推荐技术为代表的推荐系统应运而生。作为目前应用最成功的个性化推荐技术,协同过滤推荐只需要根据用户的历史评分数据就可以完成对用户潜在兴趣偏好的挖掘,具有应用简单、预测准确度高等一系列优点。但是,在推荐系统中越来越大的数据量、越来越复杂的数据类型使得传统的协同过滤推荐算法遇到了越来越严重的问题。而在这些问题中,最难解决的当属数据稀疏问题。然而,在目前一些新的推荐场景中,除了用户的历史评分信息之外,还能够获取到丰富的用户和物品的边信息,这些边信息能够为描述用户的偏好以及物品的属性提供重要的信息,从而为缓解数据稀疏问题带来了契机。本文针对如何将边信息融合到协同过滤算法中展开了深入细致的分析和探讨,具体内容如下:(1)针对目前协同过滤推荐面临的数据稀疏问题,本文提出了一个可以融合边信息来提升推荐质量的算法——“三体”协同过滤推荐算法,该算法将基于用户的协同过滤推荐、基于物品的协同过滤推荐和基于模型的协同过滤推荐相结合。通过在隐语义模型的基础上加入用户和物品的约束平滑项,使相似的用户或者相似的物品具有高度相似的隐特征,通过实验证明改进后的算法相比单独的三个算法都具有较高的推荐质量。(2)结合三个现实中的推荐场景来对“三体”协同过滤推荐算法进行说明。在传统的电影推荐场景中,由于没有有效的边信息,则直接利用用户评分矩阵来计算得到用户之间和电影之间的相似度,并带入“三体”协同过滤推荐算法中。在图像推荐的场景中,图像的视觉信息是一个重要的边信息,本文通过VGG16网络结构来提取图像的深层视觉特征,然后将基于视觉特征计算得到的图像之间的相似度带入“三体”协同过滤推荐算法中进行推荐效果验证。在加入社交信息的电影推荐场景中,用户的社交信息同样是一个重要的边信息,本文通过“大度节点有利指标”来计算社交网络中用户节点之间的相似度,然后将其带入“三体”协同过滤推荐算法中进行推荐效果验证。通过对三个不同的推荐场景进行实验验证,充分证明了“三体”协同过滤推荐算法能够作为一个通用的推荐算法来有效提升推荐的质量。