社交网络的快速发展使得丰富的社交信息被应用到智能推荐领域，个性化推荐面临着巨大变革。近年来，如何利用社交信息解决推荐过程中的用户冷启动问题并提高推荐结果的准确度成为相关研究人员重点关注的问题之一。　　受推荐数据类型与规模的影响，传统基于矩阵分解的模型存在推荐精度不高、计算效率低下等问题。而基于叠加联合聚类的矩阵近似算法因其评分预测误差小、算法求解效率高等特点吸引了作者的关注，但该算法仅仅采用评分信息进行建模，在冷启动用户上的推荐效果并不太理想。因此，为了提高算法求解效率，同时提升冷启动用户上的推荐效果，本文做了如下探讨与研究:　　首先，基于用户之间简单的连接关系进行社交信息建模，采用模糊划分的思想识别用户局部块，提出一种基于图正则化的模糊C均值用户聚类算法(gFCM)，在对评分矩阵的用户局部块识别时融合了用户间的信任信息，缩小了评分信息过于稀疏对用户局部块识别的限制。　　其次，深入研究社交关系理论，多角度分析用户社交关系，从局部的角度挖掘用户间的社交关系强度，从全局的角度分析用户在整个社交网络中的权重，在用户局部块识别时融合用户局部和全局的社交信息，提出了一种基于图正则化的加权模糊C均值用户聚类算法，更精细地识别了用户局部块。　　然后，构建了融合社交信息的叠加联合聚类推荐模型。由于传统的联合聚类矩阵近似算法主要操作用户对物品的评分信息，而没有考虑用户的社交信息，因此本文在用户聚类时采用上述两种算法，在此基础上再对评分矩阵中的物品聚类，通过迭代的方式获取用户和物品多层联合聚类结果，先后得到评分信息的泛化和细化类别，对评分矩阵中缺失的评分数据做出预测。社交信息的有效融合提高了模型的推荐效果，同时针对冷启动用户也具有较高的性能提升。　　最后，对本文构建的融合社交信息的叠加联合聚类推荐模型下的两个推荐算法在三个标准数据集上进行了大量实验验证与分析工作。实验结果表明本文构建的推荐模型具有较好的推荐效果，根据不同的社交信息建模方式得到的该模型下的两个推荐算法分别不同程度地提高了评分预测精度。同时，本文提出的融合局部和全局社交信息的叠加联合聚类推荐算法的评分预测误差也低于基于信任关系的联合聚类推荐算法，这表明社交信息的全面挖掘可以提高推荐效果。除此之外，在冷启动用户上的实验结果表明本文构建的融合社交信息的叠加联合聚类推荐模型能够有效解决用户冷启动问题。