随着大数据时代的到来,互联网上的信息飞速地增长,这在给人们更多选择的同时,也带来了信息过载问题。推荐系统就是在这种背景下产生的。融合社交网络信息的社会化推荐算法是目前推荐系统中普遍采用的方法,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。在现实的社交网络中,用户间存在多种关系,而每种关系对于推荐的影响是不同的,因此在推荐中单纯引入某一种社交关系必然影响推荐结果的准确率。为了探究用户间的多种社交关系对推荐效果的影响,本文进行了融合多关系的社会化推荐算法的研究,并在真实数据集上进行了实验和分析,具体的研究内容和研究成果如下:1.物质扩散算法是基于邻域的协同过滤算法的一种。本文提出了基于多子网复合复杂网络模型(简称复合网)的物质扩散算法。采用复合网模型构建了用户商品评分网络和用户社交网络,并通过加载运算把网络转化为空间向量,节点间的相互关系映射成空间向量中的多维向量,最终将这多个网络融合成一个新的复合网,通过物质扩散原理将目标用户所购买商品的初始能量在新合成的复合网上传播,根据传播后商品获得的最终能量大小,得出-商品推荐给用户。通过实验对比得知,引入用户间多种社交关系可以有效提高推荐算法准确率,且社交关系可以更显著提高购买商品数目少的非活跃用户的推荐准确率。2.矩阵分解算法是基于模型的协同过滤推荐算法的一种典型代表。本文提出了融合多关系的矩阵分解推荐算法。将用户商品评分矩阵分解成两个矩阵,即用户特征矩阵和商品特征矩阵,考虑到用户间社交关系会影响推荐的效果,根据用户社交关系矩阵对用户特征矩阵进行了重组,计算出含有重组后的用户特征矩阵的目标参数。采用随机梯度下降算法求出损失值的最小值,计算预测评分矩阵,最终依据预测评分的高低为目标用户做推荐。通过实验分析得出,引入研究用户间多种社交关系可以有效提高推荐算法准确率,且社交关系可以更显著提高购买商品数目少的非活跃用户的推荐准确率。