随着计算机和移动设备的普及,互联网技术得到了巨大的发展,彻底改变了人们的生活模式。互联网在给人们带来便利的同时,也使信息量爆炸式增长,造成了信息过载问题。推荐系统作为一种解决信息过载问题的有效工具,能够从互联网用户的海量行为数据中挖掘有效信息,分析用户偏好,并发现用户的潜在兴趣对象。近年来,推荐系统不但受到学术界的关注,在工业界也得到了广泛的应用,考虑到推荐系统在利润增长和保持用户黏度方面的重要价值,许多电子商务和社交网站都已经研发了自己特有的推荐系统。社交网络与电子商务的结合日益紧密,社交网络上存在着丰富的用户行为数据,是评估用户偏好过程中不可或缺的部分。本论文结合社交网络上的用户偏好特征,就个性化推荐和群组推荐问题,运用复杂网络分析方法和机器学习思想,分别针对基于二部图、三部图、矩阵分解和贝叶斯个性化排序的推荐算法进行了深入研究,提升了推荐算法的性能,提高了推荐结果准确性和多样性。论文的主要研究内容如下:(1)基于二部图的混合相似性扩散推荐算法。推荐系统中的用户和物品可以被抽象为二部图中的节点,而节点之间相连的边代表了用户购买或选择物品的行为。本论文从基于二部图的资源扩散过程入手,同时考虑用户的显式和隐式反馈数据,评估了用户之间的相似性,提出了一种基于混合相似性扩散的推荐算法。此外,本论文分析了节点度对于资源扩散过程的影响,提出了节点度平衡的概念,利用参数调节各类节点在资源扩散过程中的作用,同时提高了推荐结果的准确性和多样性。(2)基于三部图的信任扩散推荐算法。二部图由于其结构的局限性,难以引入信任关系作为附加特征进行推荐。针对上述问题,本论文设计了一种三部图结构作为二部图的扩展,引入了用户之间的信任关系,并设计了一种信任扩散过程,评估了用户的社交影响力,让影响力大的用户在资源扩散过程中获得更多的资源。本论文还提出了一种基于余弦相似性的三部图资源扩散过程,同时将用户之间和物品之间的余弦相似性整合进资源扩散过程中,使推荐结果更加个性化。(3)基于虚拟协调者的信任感知群组推荐算法。针对群组推荐问题,本论文提出了虚拟协调者的概念,利用虚拟协调者观测群组内所有用户的偏好,生成全局偏好,在评估组内用户个人偏好的过程中,与每个组内用户交互,利用全局偏好缓解组内用户之间的偏好冲突。本论文还通过复杂网络中关键节点分析的方法,利用社交关系评估了用户的个人影响力,认为影响力大的用户在交互过程中能够对虚拟协调者产生更大的影响。通过实验分析,在虚拟协调者的引导下,群组内用户的偏好冲突大幅降低,有效提高了群组推荐的准确性。(4)基于贝叶斯个性化排序的活动社交网络推荐算法。活动社交网络是一种新兴的社交网络形式,与传统社交网络相比,具有更加丰富的社交特征。本论文针对排序推荐问题,结合活动社交网络中的群组和标签特征,对负样本进行分类,细化了用户的偏好,提出了适应活动社交网络的多层次对级学习模型。此外,本论文将同类用户的平均偏好引入了排序模型,利用平均偏好修正个人偏好。分析结果表明,结合了社交特征的多层次对级学习模型在推荐结果准确性上具有明显优势。