在大数据时代,个性化推荐系统常常遭遇数据稀疏与冷启动两大难题。网络社交平台的兴起产生了大量的用户社交关系,将在线社交关系引入到传统的推荐系统,将有助于缓解数据稀疏与冷启动问题。基于此假设,社会化推荐应运而生并很快得到了研究者与工业界的关注。然而,在部署社会化推荐系统的过程中,人们发现社会化推荐并不如期待中那样能够产生更好的推荐效果。其失败的主要原因可以归结为显式的社交关系中常常不易获取且其中包含太多噪声。基于此,发掘更多可靠的隐式社交关系对于社会化推荐来说意义重大。现有的社会化推荐系统大多基于显式的社交关系,少数基于可靠社交的系统也仅仅关注于从社交网络中挖掘可信关系,忽略了用户-商品信息在寻找可靠关系方面的潜在价值。基于此,本文提出了一种基于隐式朋友的社会化推荐框架。隐式朋友指与当前用户偏好相似但在社交网络中可能并不直接相连的用户。为了寻找隐式朋友,本文首先将整个系统建模为一个异构信息网络,并利用网络表示学习的方法,在元路径的辅助下捕获到了用户之间的偏好相似性。然后,利用社会化贝叶斯排序自适应结合隐式朋友为用户生成更精准的推荐。大量实验表明,论文所提出的社会化推荐框架优于已有的社会化推荐系统。本文的主要贡献如下:·阐述了推荐系统的研究现状,结合相关的技术与理论,分析了当前社会化推荐系统面临的问题。系统调查了社会化推荐系统中的主要瓶颈和已有研究的不足。·形式化地给出了用户-商品二部图与社交网络的异构表示,并通过手动设计元路径挖掘异构信息网络,提出了探索用户间关系的新方式。·形式化地阐释了隐式朋友这一概念,给出了三类不同的隐式朋友;提出了一种可以自适应融合这三类隐式朋友的可靠的社会化推荐算法。·通过大量基于多个开放数据集的实验,证明了所提出算法的有效性,并给出了为什么隐式朋友可以提高社会化推荐的原因。