1、互聯(lián)網(wǎng)的快速發(fā)展給我們的日常生活帶來了很大的影響，大大改變了我們獲取信息的方式。它為我們提供了豐富的在線內(nèi)容，使得我們需要耗費大量的時間在海量信息中瀏覽并尋找所需要的信息，這通常被稱為“信息過載”問題。為了克服“信息過載”問題，國內(nèi)外學(xué)者發(fā)明了很多信息過濾技術(shù)，其中最具代表性的是搜索引擎和推薦系統(tǒng)。搜索引擎能夠根據(jù)用戶提供的關(guān)鍵字返回與之相關(guān)性最高的網(wǎng)頁，雖然已被廣泛應(yīng)用，但它仍然存在兩個明顯的不足。首先，對于經(jīng)驗不夠豐富的用戶來說提供

2、準確的搜索關(guān)鍵字是很困難的;其次，對于給定的關(guān)鍵字搜索引擎總是返回非個性化的搜索結(jié)果。推薦系統(tǒng)則利用用戶的歷史選擇信息、評價信息等幫助用戶尋找與之相關(guān)聯(lián)、感興趣和有用的信息。推薦系統(tǒng)無需用戶輸入關(guān)鍵字且返回個性化的推薦結(jié)果，克服了搜索引擎所存在的不足。目前，推薦算法已經(jīng)在電子商務(wù)、計算廣告、在線教育和在線醫(yī)療等領(lǐng)域得到了廣泛應(yīng)用并帶來了巨大的商業(yè)價值。
　　在大多數(shù)實際應(yīng)用中用戶的歷史行為信息是非常稀疏的，由于缺乏足夠的用戶歷史數(shù)

3、據(jù)，推薦系統(tǒng)通常很難給出精準的推薦，這通常被稱為數(shù)據(jù)稀疏性問題，它長期以來一直困擾著推薦系統(tǒng)。社會影響力在產(chǎn)品營銷中發(fā)揮著極其重要的作用，然而傳統(tǒng)的推薦系統(tǒng)卻沒有將它納入到推薦框架中。隨著在線社交網(wǎng)絡(luò)的快速崛起，基于社交網(wǎng)絡(luò)的推薦已經(jīng)變成一種有重要意義且富有成效的推薦方式。
　　現(xiàn)有的基于社交網(wǎng)絡(luò)信息的個性化推薦算法各有優(yōu)勢與不足，但它們的共同特點是幾乎都需要評分、標簽或用戶的社會屬性等額外信息，而這些附加信息并不容易獲取，而且其

4、真實性也得不到保證。近年來，由于只關(guān)注用戶的選擇信息而不需要標簽或評分等額外信息，基于復(fù)雜網(wǎng)絡(luò)尤其是二部圖的推薦算法受到越來越多的學(xué)者關(guān)注。該類算法借鑒物質(zhì)擴散與熱傳導(dǎo)的思想，將推薦系統(tǒng)輸入數(shù)據(jù)抽象為復(fù)雜網(wǎng)絡(luò)模型，在算法復(fù)雜性上低于經(jīng)典的協(xié)同過濾算法，并且具有較好的可擴展性。然而該類算法至今未能有效地融入社交網(wǎng)絡(luò)信息，其推薦精度存在較大的提升空間。
　　針對已有研究工作存在的問題和挑戰(zhàn)，本文對利用擴散過程融合社交網(wǎng)絡(luò)信息的推薦算法

5、進行了深入的研究，主要包括融合社交網(wǎng)絡(luò)信息的物質(zhì)擴散推薦算法、考慮用戶間信任傳遞的物質(zhì)擴散推薦算法、既融合社交網(wǎng)絡(luò)信息又在擴散過程中將物質(zhì)擴散和熱傳導(dǎo)相結(jié)合的推薦算法等。本文的主要工作和貢獻如下:
　　(1)提出了融合社交網(wǎng)絡(luò)信息的物質(zhì)擴散推薦算法。該算法利用物質(zhì)擴散過程將社交網(wǎng)絡(luò)信息有機地融入到推薦過程中，通過一個調(diào)節(jié)參數(shù)控制社交網(wǎng)絡(luò)信息的參與程度。實驗結(jié)果表明，當用戶選擇的item很少時，社交網(wǎng)絡(luò)信息在推薦過程中發(fā)揮了極其重要

6、的作用。在數(shù)據(jù)特別稀疏的情況下，該算法較傳統(tǒng)的物質(zhì)擴散和混合算法在推薦準確度方面提高的幅度非常大，這一方面說明該算法特別適用于用戶-item二部圖相對稀疏而社交網(wǎng)絡(luò)相對稠密的兩層耦合網(wǎng)絡(luò)，另一方面也顯示了該算法在緩解數(shù)據(jù)稀疏性問題上的能力。對于數(shù)據(jù)稀疏性問題的極端情況冷啟動問題，實驗結(jié)果表明該算法較基于item流行度排序的算法在推薦準確性、多樣性和新穎性等方面均有較大幅度的改進，該方法為緩解冷啟動問題提供了新的思路。
　　(2)提

7、出了一種考慮用戶間信任關(guān)系傳遞的推薦算法。該算法利用物質(zhì)擴散過程將社交網(wǎng)絡(luò)信息有機地融入到推薦過程之中，不僅利用目標用戶直接好友的用戶-item選擇信息而且還借助了目標用戶的二階好友的用戶-item選擇信息。實驗結(jié)果表明，在目標用戶選擇的item特別少時，該算法的推薦精度較傳統(tǒng)的物質(zhì)擴散算法得到了較大幅度的提升。而在目標用戶選擇的item特別多時，該算法能夠在一定程度上改進傳統(tǒng)物質(zhì)擴散算法的推薦多樣性。
　　(3)提出了一個在推薦

8、過程中利用物質(zhì)擴散和熱傳導(dǎo)相結(jié)合的擴散過程有機地融入社交網(wǎng)絡(luò)信息的推薦算法，該算法利用社交網(wǎng)絡(luò)信息和用戶-item歷史選擇信息、擴散過程采用物質(zhì)擴散和熱傳導(dǎo)相結(jié)合的方式為用戶提供個性化推薦。傳統(tǒng)的物質(zhì)擴散算法、熱傳導(dǎo)算法、混合算法以及本文提出的融合社交網(wǎng)絡(luò)信息的物質(zhì)擴散推薦算法都是該算法的特例。實驗結(jié)果表明，由于資源傳輸方式的改變，該算法幾乎在所有評價指標方面都優(yōu)于本文提出的融合社交網(wǎng)絡(luò)信息的物質(zhì)擴散推薦算法。在推薦精度方面，該算法較物