随着互联网技术的发展,人们每天都会在网络上产生大量数据。这些数据多种多样,它们记录了每个互联网用户的上网行为习惯。而用户每天浏览的信息量呈现出一种爆炸式地增长,用户面对海量信息往往不容易发现自己感兴趣的内容。为了应对这种信息超载的情况,推荐系统可以根据用户的历史行为数据,主动给用户推荐他可能会感兴趣的内容。但是网络信息量增速越来越快,在大数据场景下提高推荐系统准确度一直是相关研究的主要方向。传统推荐系统仅仅依靠用户-物品二元关系通过用户兴趣进行建模的方法可以达到的推荐准确度越来越低。推荐过程中伴随的数据稀疏性和冷启动导致特征缺失等问题使得推荐结果难以满足用户需求。随后通过引入社交信息的社交化推荐系统被证明对提高推荐准确度有一定效果,但由于社交信息的不可靠性导致推荐结果会被社交信息中的噪音影响,又导致了推荐准确度的降低。因此推荐系统研究的关键在于提高推荐模型特征提取能力,提升个性化推荐系统的准确度。在复杂的现实应用环境中,推荐系统主要存在以下问题:(1)用户物品冷启动导致用户物品特征缺失问题,使推荐系统无法进行个性化推荐。比如在线视频网站的新用户,没有产生在线观看的历史数据,推荐系统就无法得知用户观看视频的偏好,不能进行个性化的视频推荐。(2)用户行为意图存在即时可变问题,导致个性化推荐的准确度降低。用户本身的兴趣偏好会随着时间推移发生变化,也可能被节日、地理位置等周围环境等因素影响。这些与用户行为相关的即时可变因素导致了推荐系统的预测出现偏差,降低了个性化推荐的准确度。针对目前推荐系统中存在的上述问题,本文提出两种新颖的数据融合推荐模型。针对冷启动导致的特征缺失问题,提出一种融合隐式与显式信任的推荐模型,应用于推荐系统中的评分预测任务。针对用户行为的即时可变问题,提出一种融合用户长短期兴趣的推荐模型,应用于推荐系统中的点击率预测任务。本文主要的研究内容可以主要概括为以下几点:(1)针对用户物品冷启动导致的特征缺失问题,减少社交化推荐中显式信任关系噪音对推荐模型的负面影响,提出一种融合隐式与显式信任关系的矩阵分解推荐模型。利用隐式信任关系与显式信任关系进行用户特征补全,缓解推荐系统中存在的特征缺失问题,提高推荐的准确度,并使用该模型进行推荐系统中的评分预测任务。(2)针对用户行为的即时可变问题,增加推荐模型对用户不同时间行为特征的感知能力,提出一种融合用户长短期兴趣的推荐模型。使用该模型减少用户所有历史行为中无关行为对推荐结果的产生的噪音,从而提高了对用户行为特征向量化的准确度,并使用该模型进行推荐系统中的点击率预测任务。(3)对本文中提出两种推荐模型,在公开数据集FilmTrust、Ciao、Epinions和Amazon Dataset上进行实验,分别验证融合隐式与显式信任的推荐模型模型在普通用户与冷启动用户上的推荐效果和验证融合用户长短期兴趣推荐模型的准确度。通过实验结果证明本文中的推荐模型可以有效缓解冷启动问题,提高了推荐预测的准确度。