由于近几年社交网络的迅猛发展,使得对社交网络的研究变得十分有意义。在这个互联网信息和数据爆发式增长的时代,用户需要根据自己的定制化需求,从海量信息中对目标数据进行搜寻和定位,然而社交网络具有体积巨大,连接复杂等特点,是用户在社交过程中遇到的严峻挑战。社交网络中用户信息获取不便,还含有大量噪音数据,用户属性信息缺失时,创建相关模型发掘用户行为数据,满足用户特定需求,实现个性化推荐,这研究凸显出推荐系统的重要性和不可替代性。目前国内外研究的主流推荐算法中,有很多属于强关系人物推荐算法的范畴,基于相似性进行推荐,使得用户被同质性信息包围,难以扩宽交际圈,获取到新鲜信息,按照Granonvetter的弱关系理论,弱关系往往能够带来独特而有趣的信息,同时弱关系更有利于信息的扩散。本文首先简要阐述了社会网络中对强关系和弱关系的定义,介绍了现有的弱关系人物推荐算法,针对强弱关系识别,提出利用社区重叠系数识别强弱关系。根据弱关系的特性,利用弱关系挖掘网络中的重要节点,对传统推荐算法进行加权改进,与现有的弱关系推荐算法进行对比实验,本文提出的算法推荐效果提升明显。根据社会网络中的级联效应,个体的选择会受到群体的影响,从社区和近邻两个方向提出了两种级联推荐算法。网络中存在冗余边,干扰网络中节点重要性的计算,针对此问题提出改进方法,在弱关系子网上进行进行重要性排序,改进后的重要性排序算法能够更有效得挖掘异质性信息获取能力强的节点,对待推荐用户进行推荐。最后,本文使用相似性指标对推荐算法进行约束,意在兼顾交友可能性的同时,给用户推荐更有价值的链接,对比了传统推荐算法实验效果,验证本文提出的算法在异质性信息的采集方面,展现的效果更佳。