推荐系统是一种非常有效的信息过滤技术,可帮助用户从浩瀚的数据海洋发现其感兴趣的信息。自2006年10月Netflix公司组织推荐算法竞赛以来,矩阵分解推荐模型因具有较低的时间和空间复杂度、较高的预测精度以及良好的扩展性等优点,受到了工业界和学术界的广泛关注。已有的矩阵分解推荐模型仅从用户的角度出发考虑了用户的历史行为信息和用户间的社会关系。然而,在基于社交网络的物品推荐场景中,物品之间的关联关系对推荐结果的生成也有着重要的影响。如何准确地获取物品之间的关联关系是当前的一个难点问题。另外,在为用户做推荐时如何同时考虑用户之间的社会关系和物品之间的关联关系也是一个亟需解决的难点问题。针对上述问题,本文首先给出了一种度量物品之间关联程度的公式,并将其用于挖掘物品之间的关联关系;其次提出一种基于双重正则化的矩阵分解模型,该模型将物品之间的关联关系和用户之间的社会关系分别以关联正则化和社会正则化的方式融入传统的矩阵分解模型,能够有效地缓解传统矩阵分解模型存在的冷启动问题;最后根据提出的模型构建了一种高效的推荐算法CRSVD++,该算法为推荐系统的评分预测任务提供了一种有效地解决方法。在四个真实数据集Epinions,Flixster,Ciao和FilmTrust上的实验结果表明:相比仅考虑评分信息的PMF、SVD++等推荐算法,CRSVD++算法具有明显的优势;相比仅结合社会关系的SoReg、SoRec、SocialMF、TrustMF等推荐算法,CRSVD++可以更加精确地预测用户的实际评分。