当今,随着大数据时代的降临,电子商务和社交媒体的蓬勃发展,全方位地渗透进社会的各行各业,成为推动人类发展的重要生产要素。与此同时,也带来严重的信息过载问题。在这个背景下,推荐系统应运而生。当前,部分现有的社交推荐研究存在如下不足:(1)数据稀疏和冷启动问题,降低了预测准确性;(2)忽略了部分重要目标,如推荐多样性和新颖性;(3)大都聚焦于改进离线推荐技术,无法应用于在线的实时推荐场景。模型存在不合理的假设:用户和好友兴趣不会随时间改变;(4)现有实时推荐模型,无法同时优化推荐准确性、多样性和新颖性;(5)过度重视强联系,却忽视了弱联系的力量。针对以上问题,本研究提出一种社交网络环境下的多目标实时推荐系统,由离线模块和在线模块组成。离线模块(结合强弱联系的多目标推荐算法):通过“更多地”和“精确地”推荐长尾物品,以实现提升推荐多样性和新颖性,同时兼顾较高准确性的目标。一方面,由基于距离的物品新颖度,产生长尾物品激励系数,以提升长尾物品排名;另一方面,启发于三元闭包原则,结合用户的强弱社交联系,改进Page Rank算法得到相似性系数(旨在突出有价值的好友),以提升长尾物品与用户的匹配度。最后,在基于用户的协同过滤推荐中集成上述两者,为用户推荐个性化的物品集合。实验表明,该算法提升推荐多样度和新颖度时,仍保持着较佳的准确度。在线模块(基于Multi-armed Bandits的多目标实时推荐算法):首先,采用理想点法建立标量函数,将多目标规划(优化准确性、多样性和新颖性)转化为单目标规划。在当前时刻,利用标量函数对物品集合(源于上述离线模块)进行Top-N过滤,得到推荐列表。之后,进入基于Multi-armed Bandits的强化学习阶段:一方面,用户和好友不断地对推荐列表做出反馈(如是否点击展示物品);另一方面,在线系统收集社交圈的反馈信息,实时更新各个目标的权重(卡尔曼滤波法)。重复执行标量函数过滤物品集合的步骤,得到下一时刻的推荐列表。实验表明,该算法能实时地响应用户不断变化的需求,呈现准确、多样和新颖的推荐列表。综上,本系统的两个模块相辅相成,使用来自社交圈的独一无二的反馈信息,调整推荐策略,长期地为用户提供多目标的实时个性化推荐服务。