随着互联网的普及与发展,不同种类的网络数据出现了海量增长的趋势。大规模的数据量虽然在一定程度上满足用户的信息获取需求,但随之也带来了“信息过载”困境。为缓解此困境,推荐系统应运而生,其中具有信息过滤和数据挖掘功能的推荐系统可以根据目标用户的历史偏好在海量的网络资源中找到符合目标用户需要的资源,进而将该资源进行推荐。在推荐系统中,协同过滤推荐算法是目前应用最为广泛的推荐算法。此算法普遍应用于电子商务、电影推荐等领域,但传统的协同过滤推荐算法只考虑了用户对项目的评分记录,根据评分的相似性确定最近邻用户,进而将最近邻用户的资源推荐给目标用户。在该推荐过程中,由于评分矩阵的稀疏性,造成选取的最近邻用户的质量不高。其次,该算法也没有考虑目标用户自身的情境因素和偏好特征以及项目的属性特征。因此传统协同过滤推荐算法在推荐过程中,虽然可以处理各种数据类型的资源,但是推荐结果往往不尽人意。针对上述问题,本文提出了融合特定情境下的用户画像与用户社会关系的个性化推荐算法。本文的主要内容如下:(1)针对传统协同过滤算法忽略目标用户所处的情境及其自身偏好的问题,本文根据用户喜欢的历史产品特征数据以及对产品的在线评论数据,引入用户画像技术,旨在有效地提取目标用户的偏好特征,并利用空间向量模型将用户偏好向量化;其次,为了更精准的刻画用户偏好,本文引入情境感知技术,利用信息熵理论,分析不同情境因素对用户选择产品时的影响程度,从而确定用户在特定情境下的用户偏好;最后将用户画像与情境感知融合到协同过滤算法中,形成特定情境下的用户画像与协同过滤融合的推荐算法。(2)针对传统协同过滤算法最近邻用户的选取质量不高的问题,本文从用户的社会关系角度出发,挖掘与目标用户相关联的近邻用户排序。首先,根据用户间的关联关系构造用户间网络有向图,以关联规则的置信度作为图中有向边的权重,并根据此加权有向图建立转移矩阵;其次,结合Page Rank算法计算用户在社交关系中的实际权重,将权重较高的用户定义为目标用户的最近邻用户;最后,结合特定情境下的用户画像,形成融合特定情境的用户画像和用户社会关系的个性化推荐算法,以更全面地解决用户“信息过载”问题。(3)实证研究。为验证本文提出的融合特定情境的用户画像与用户社会关系的个性化推荐算法,以现实中的电影推荐为研究对象,分别分析传统的基于用户的协同过滤算法、融合用户情境因素和用户画像的推荐算法以及融合特定情境下的用户画像和用户社会关系的推荐算法的推荐对比,实验结果显示,本文所提的算法在召回率、准确率和1综合值上均有较明显的优势。本研究为个性化推荐提供了可借鉴的思路,也为用户和企业提供了一条获取信息的双向途径,具有一定的实际应用价值。