随着Web2.0以及社会化媒体的发展,尤其是近5年来Facebook、Blogger和Twitter等网络应用的盛行,不仅创造了“全民记者时代”,更是带来了社交媒体领域的信息泛滥。面对这些近乎灾难的数据,一个很自然的问题是：用户如何才能找到有用的信息呢?个性化推荐技术作为一种解决“信息过载”的有效手段,毫无疑问成为了首选。但是社会化媒体中用户人数、信息数据的爆炸增长以及用户结构的不断复杂化,使得推荐系统不得不面临一些新的挑战,尤其是数据的极度稀疏、实时推荐和可信任推荐三个问题在社交媒体推荐中更为突出。围绕着如何克服数据稀疏问题、加快推荐的速度、提高推荐的可信度和保证推荐的准确度,本文对社交媒体环境下推荐系统中涉及的若干问题进行了有益的探索和研究。主要的研究工作和创新点如下：(1)在对用户行为数据进行统计学分析的基础上,提出了基于用户行为的协同过滤推荐方法。该方法通过分析用户行为的数据,发现用户行为的一些全局结构和隐含特征,并将这些信息与用户行为数据一起作为协同过滤推荐方法的依据。实验表明,该方法在一定程度上提高了推荐的准确度。(2)针对用户行为数据的稀疏性问题提出了基于语义的矩阵分解预测方法。该方法通过提取用户行为中的一些语义信息,如隐含特征信息、上下文时间信息、位置信息等,并采用矩阵分解的方法来补全用户行为矩阵中的缺失数据。最后,根据已补全的用户行为矩阵信息为用户进行推荐预测。(3)针对实时推荐问题提出了基于Co-clustering的聚类推荐方法。该方法首先采用Co-clustering聚类方法来对用户和行为进行离线聚类；然后基于离线聚类的结果,结合用户的最近行为实现在线的实时推荐；最后,通过增量更新模型不间断地更新用户行为数据来保证离线聚类结果的准确性。该方法,一方面通过聚类法减少最近邻用户的搜索空间来降低计算复杂度；另一方面通过将离线聚类和在线实时推荐分开来减少在线推荐的计算时间。(4)提出了利用社会媒体中的社会关系来提高推荐可信度的方法。该方法结合现实生活中的社会关系,引入社会网络中的个人信誉度和用户之间的信任度指数来对原有推荐系统中的相似度模型进行补充,实现对用户的可信任推荐。实验表明,该方法一方面能保证较好的推荐准确度,另一方面能在一定程度内保证系统的推荐效果不受外来因素的干扰和破坏。