顾军华，陈 博，王 锐，张素琪

1.河北工业大学 人工智能与数据科学学院，天津300401

2.河北省大数据计算重点实验室，天津300401

3.天津商业大学 信息工程学院，天津300134

生活在信息交互频繁的社会，人们在做各种决定时不仅根据自身的观察和判断，还会考虑信任朋友的观点。因此，在推荐系统中，用户的偏好很可能受用户朋友的影响[1]。基于这一假设，很多研究学者将社交信息融入到推荐算法[2-4]中，以缓解传统的协同过滤推荐算法的数据稀疏性问题[5-6]和冷启动问题[7]。

对于社会化推荐算法，众多学者进行了深入的研究。Ma等人[8]使用概率矩阵分解方法对社交信息和评分信息建模，解决了评分数据稀疏性问题和预测精度差的问题，且可以应用于大规模数据集。Yang等人[9]采用矩阵分解技术，将用户作为信任者和被信任者两种身份，根据用户之间的信任关系将用户映射到低维的特征空间，以更好地挖掘被信任者对信任者的影响，进而得到更为准确的推荐结果。Rafailidis等人[10]提出了一种利用用户信任和不信任关系的学习排序模型，将用户及其信任用户喜爱的项目放到推荐列表的最前面，而将其不信任用户喜爱的项目排在后面。王卫红等人[11]从社交网络获得用户之间的相似度，再利用聚类算法填充评分矩阵的缺失值，最后通过协同过滤算法进行推荐。这些方法均利用了社交网络中的二值数据，在一定程度上提高了推荐算法的有效性，但仅仅利用用户的直接信任关系，忽略了用户之间的间接联系。……