随着全球网民数量的不断壮大,互联网信息呈现出爆炸式的增长。推荐系统能够帮助用户在海量信息中识别其最感兴趣的资源,是解决信息过载的一种有效的软件工具。学术界已经提出了很多不同的推荐方法,并在工业界得到了广泛的应用。因为推荐系统有着丰富的实际应用和巨大的商业价值,该研究主题在计算机科学领域深受欢迎。随着Web2.0的发展,基于社交网络的推荐系统的研究逐渐开始。用户之间的社交信息可以有效地提高推荐系统的推荐质量,为用户提供更准确的个性化推荐服务。本文首先介绍了国内外在推荐系统领域的研究现状,总结了当前社交网络推荐系统的已有理论成果以及存在的问题。然后,本文针对社交网络进行建模与分析,并详细阐述了非负多矩阵分解算法和用户链接预测方法。根据社交网络中用户建立好友关系的链接信息以及资源与标签的所属信息等特点,本文提出一种基于非负多矩阵分解的社交网络推荐方法,综合考虑了用户之间的好友关系、用户与内容的特征关系,以及资源内容与标签的所属关系等多源信息。本文在非负多矩阵分解推荐算法的基础上,对用户好友关系矩阵进行了讨论和分析,提出了改进用户好友关系矩阵的非负多矩阵分解算法。最后,基于新浪微博数据集进行了资源内容的推荐实验,结果表明本文提出的方法在提高推荐效果方面有较好的表现;在Last.fm和Delicious数据集中进行了改进用户关系矩阵的资源推荐对比实验,讨论了不同链接预测方法对不同社交网络推荐效果的影响,并根据资源推荐的结果对用户进行了好友推荐。经过对实验数据的分析,本文提出的基于非负多矩阵分解的推荐方法,能够有效利用社交网络中的多源信息,显著提高推荐准确度。本方法不仅能挖掘出资源的标签,还能挖掘出用户间的关联关系,还可推广到对用户进行好友和标签的推荐。