随着Web2.0技术及各类社会化网络的快速发展,传统的推荐系统迎来了新的机遇和挑战。在社会化网络中用户更容易接受来自好友的推荐,而传统推荐系统往往忽视了用户之间的社会化关系,影响了推荐效果。因此,为了促进推荐系统的发展和提高个性化推荐结果的准确性及有效性,如何融合社会化关系实现有效的推荐已经成为当今社会化网络服务的一个重要课题。本文在传统协同过滤算法和现有社会化网络推荐算法的研究基础上,主要对以下几个方面进行了研究和总结：(1)针对传统的社会化网络好友推荐算法仅考虑共同好友数而没有考虑用户间信任传播的这一缺陷,本文提出了一套用户间接信任度计算模型,根据得到的间接信任度进行好友推荐。另外,实验表明,通过在社会化网络中进行好友推荐时融入用户的兴趣相似度可以进一步提高好友推荐的质量。(2)在现有的融合社会化关系推荐系统研究的基础上,本文提出了一种基于信任和兴趣聚类的协同过滤算法。该算法首先综合考虑用户信任度和用户兴趣相似性,利用融合后的相似度对用户进行聚类,然后判断目标用户所属聚类并在与目标用户相似度较高的若干个聚类中搜索目标用户的近似邻居,最后根据近似邻居对项目的评分预测未知的项目评分。实验结果表明该算法在一定程度上提高了社会化网络推荐的响应速度和推荐的精度。(3)考虑到用户的群体特性,结合社会化网络分析方法提出了一种基于社团发现的随机漫步推荐算法。首先对社会化网络的用户关系进行挖掘,得到社会化网络中隐藏的用户社团,然后基于随机漫步思想,提出一种新的融合用户群体特性的社会化推荐算法。实验表明,该算法可以控制社会化网络中随机漫步的用户查找范围,相比于传统的协同过滤推荐算法和基于信任度的推荐算法有更高的准确率。