中文摘要：

传统的推荐技术以提高推荐精度为主要目的，推荐列表往往聚焦于少量的流行商品。为了提高用户-系统粘度，针对老顾客在流行性推荐失效后必须考虑推荐列表的多样性，才能满足顾客的个性化需求。因此，如何在兼顾精确性的同时保证推荐列表多样性，成为当前推荐系统的面临的一个重要问题。同时，随着facebook，世纪佳缘，新浪微博等社交网络的兴起，基于社交网络的社会化推荐越来越流行，如何有效利用各种社交网络信息进行商业推荐也越来越受到人们的关注。由此，本项目基于复杂网络分析技术并结合网络社区结构及其演化特性提出一种同时满足精确性和多样性的推荐方法，并利用超图聚类方法融合信任网络、标签网络等各种社交网络信息，实现具有多样性的社会化推荐服务。最后，研究大规模复杂网络的近似计算方法，将各项技术推广到应用领域。本研究成果不仅能应用于基于社交网络的社会化推荐，在传统基于长尾的推荐任务中，也能起到很好的胖尾提升效果。

结论摘要：

本课最终目标是实现基于用户的一种或多种社交网络进行社会化推荐，并同时保证推荐结果的精确性和多样性，随着时间推移还能有效解决长尾产品销售的胖尾提升问题。在研究期间，2013年获得四川省科技进步一等奖一项，排名3，2014年中国计算机学会自然科学二等奖一项，排名9。项目组共发表标准资助论文18篇，其中SCI期刊论文14篇，EI论文3篇，核心期刊论文1篇。培养博士研究生2名，硕士研究生5名。 传统的推荐技术以提高推荐精度为主要目的，推荐列表往往聚焦于少量的流行商品。为了提高用户-系统粘度，针对老顾客在流行性推荐失效后必须考虑推荐列表的多样性，才能满足顾客的个性化需求。有鉴于此，本项目研究了基于社交网络的推荐技术，并利用社交信息同时提升推荐系统的精确性和多样性，主要包括以下几点①提出一种基于信息增益的个性化推荐方法，解决传统流行性推荐算法的长尾问题；②通过结合用户之间的社会影响和购买行为的相似性，提出一种集成的协同过滤方法，能同时提升系统的准确性和多样性；③本项目研究了有向社会网络上的三种社会相似性度量标准，并提出一种社会相似性和用户偏好相似性的非线性融合方法，通过调整融合参数的自动调整，使得推荐结果形成由长尾向胖尾的转变；④在传统基于相似性推荐的基础上，提出一种基于时间特性的二部图推荐方法，通过调整初始资源权重分布体现用户兴趣随时间的变化趋势，在Top-N推荐中命中率大幅提升。⑤在推荐系统访问用户信息的同时，研究了基于隐私保护的个性化推荐方法，并从文本内容和用户关系两个角度提出了保护的策略。