随着互联网技术的飞速发展,网络空间中产生了大量的信息,同时大量冗余信息干扰了用户对有用信息的选择。因此,如何对大量数据加以分析,构建有效的信息过滤技术,帮助用户从海量数据中快速地找到有效信息,将是一个很大的挑战。目前,推荐系统被广泛应用于解决信息过载的问题。其中社会化推荐利用用户属性信息来改善推荐系统的性能,而评分预测的准确度和Top-N排序的准确度是目前衡量推荐系统性能最主流的两个指标。针对优化评分预测模型和排序预测模型性能的问题,本文具体的工作内容和创新点如下:1.针对评分数据稀疏性和文档上下文微妙语义变化而导致评分预测准确度低的问题。本文提出了一种基于卷积矩阵分解的文档上下文感知模型,通过利用CNN捕获项目描述文档的上下文语义信息以及用户社会化信息,进一步提高了评分预测精度。首先,引入CNN进行文档上下文感知,通过该模型可以得到项目的文档上下文潜在特征;然后,将其用于计算项目潜在特征向量,并与SocialMF中用户的潜在特征向量联合构建评分预测模型;最后,对预测值与观测值之间的损失函数进行优化评估,训练出最优的模型,从而进行评分预测。实验证明,在评分非常稀疏的数据集中,该模型也能很好地提升推荐效果。2.针对排序模型中融入的信息过少而影响排序预测准确度的问题,本文提出了一种融合文档上下文感知的多维度信任Top-N推荐,通过利用用户和项目隐含特征,进一步提高了排序预测的精度。首先利用PL模型将通过CNN提取的项目潜在特征和使用LFM提取的用户潜在特征进行建模;然后利用用户作为信任者和受托者特征来构建多维信任模型;最后将两者联合建模,构建排序预测模型,接着对模型进行优化处理,从而得到最优的前N个推荐列表。实验证明,在非对称关系数据集中,该模型可以提高推荐效果。