1、社交網(wǎng)絡(luò)的發(fā)展給推薦技術(shù)帶來了新的契機，利用社交關(guān)系進(jìn)行社會化的推薦，不僅能提高推薦的準(zhǔn)確率，更能讓用戶信任系統(tǒng)的推薦理由，因而得到了電子商務(wù)網(wǎng)站和許多科研人員的青睞。本文以社會化推薦中的協(xié)同過濾推薦算法為主要研究對象，針對概率矩陣分解算法在實際推薦中面臨的準(zhǔn)確性和社交關(guān)系稀疏等問題展開了調(diào)研與研究，結(jié)合主題模型和聚類等機器學(xué)習(xí)方法，提出了解決這幾個問題的方案，并通過實驗驗證了所提方案的效果。具體如下:
　　1、針對基于概率矩陣分

2、解的社會化推薦算法的準(zhǔn)確性問題，提出了一種基于主題的朋友提取概率矩陣分解算法。該算法主要應(yīng)用于社交關(guān)系較為稠密場景下的社會化推薦問題，它針對現(xiàn)有的社會化推薦算法在考慮來自社交關(guān)系的影響時，考慮過多朋友的影響導(dǎo)致的推薦準(zhǔn)確率下降的問題，提出了相應(yīng)的解決方案。該算法將用戶看作喜好的集合，通過主題模型的訓(xùn)練，挖掘出用戶的喜好，并根據(jù)喜好劃分用戶的社交關(guān)系，使得最終的推薦結(jié)果只受和用戶在物品所屬主題里擁有相同喜好的社交關(guān)系的影響。實驗表明，該算

3、法的推薦誤差小于其他4種傳統(tǒng)的概率矩陣分解算法，在一定程度上提高了推薦的準(zhǔn)確率。
　　2、針對基于主題的朋友提取概率矩陣分解算法以及其他的概率矩陣分解算法在社交關(guān)系稀疏時，推薦準(zhǔn)確率下降的問題，提出了一種基于用戶主題聚類的概率矩陣分解算法。該算法通過相同的用戶喜好的主題挖掘，找出用戶的喜好，并根據(jù)用戶的喜好對所有用戶進(jìn)行聚類，再從聚類的結(jié)果為社交關(guān)系稀疏的用戶“構(gòu)建”新的社交關(guān)系，使這部分用戶的社交關(guān)系變得相對稠密，以達(dá)到社會化推