随着技术的进步,我国的网络普及率在世界名列前茅。同时人们的思想越来越开放,面对新鲜事物较之过去也更容易接受。网络文学、网络大电影,电子商务、短视频等逐渐流行起来,即有利于我国的经济发展,又丰富了人们的精神生活。但在这信息飞速膨胀的年代,信息的质量参差不齐,人们的兴趣偏好也有很大的差异。如何才能从过载的信息中快速定位到有效信息,成为研究者新的聚焦点。传统搜索引擎的出现有效地缓解了信息飞速增长带来的压力,而推荐系统概念的提出更标志着服务从被动转向主动。同时随着Web2.0时代的到来,社会化标签系统为网络服务注入了新活力。人们不再局限于传统的评分、评论,而是可以选择为网络平台的内容贴上个性化的标签。这样既可以用以凸显自身个性,也可以为他人对内容的选择提供参考。社会化标签系统有效地提高了用户在平台的参与度,增强用户黏性。同时社会化标签作为一种交互模式,其所带来的交互信息,也为推荐系统带来了新的可作为推荐依据的数据信息。近年来,相关研究者们更偏向于对传统利用评分系统的评分信息实现的推荐算法进行深入研究,也有针对社会化标签信息建立相关的模型进行推荐研究的。但少有针对将两种不同的交互方式所带来的交互信息综合在一起对相应的场景进行推荐的相关研究。因此,本文旨在面对社会化标签信息和一般的评分信息或隐式反馈信息等两类交互信息综合在一起的场景下,针对该类情况进行相关推荐算法的深入研究。首先本文结合二部图理论、三部图理论对该综合场景建立三部图模型。另一方面通过将标签信息、评分信息等视作交互上下文由此只使用相应的二部图模型。在这两种模型的基础上,充分考虑到了不同评分信息和标签交互信息对这两种模型的边进行了加权,然后依照加权后的模型结合协同过滤算法完成在该类综合场景下的推荐。另一方面,本文同样考虑到时间效应对推荐的影响。结合上述方法,在完成相关基于交互的时间效应的时间权重计算后,本文一方面选择将该权值融入上述方法的相似度计算过程中,另一方面尝试将其应用于偏好预测的过程中,并将两者进行比较。同时本文还利用用户选择物品的序列完成对物品转移概率的计算,并以之为基础对预测的偏好值进行调整。另一方面,近些年来神经网络、深度学习十分火热。也有很多研究者选择使用神经网络建模完成推荐的相关工作。因此本文还以FISM模型,NCF的GMF和MLP模型为基础。通过自编码器从不同角度利用不同来源的数据信息提取出用户和物品的潜在特征,并将之融入模型,使得模型能够更有效地利用综合场景下不同类型的信息。同时,本文针对提取特征向量的维度、负采样的比例和自编码器的隐藏层层数,训练轮数设计了相关的实验,比较其对推荐结果的影响。