社会化推荐系统随着社交网络平台的流行以及用户对社交媒体的重度参与，成为了社交平台中信息过滤的重要手段，广泛地应用于各样的社交平台及电子商务领域中，成为当前推荐系统研究的一个热点，具有较大的学术意义与商业应用价值。　　社会推荐可以简单由两个方面组成:利用社交信息推荐传统物品，推荐社交网络平台中复杂多样的关系数据。本文针对这两个方面提出了不同的社会化推荐算法，主要工作如下:　　1.提出基于社区关系的社交最近邻权重算法，是一种针对用户间影响权重计算的改进的邻居方法。重点在于发现社交关系网络中的社区之后，利用朋友对目标用户所在群体的相关性来代替传统用户相似度计算。　　2.提出基于社交网络最大影响力模型的最近邻寻找算法。将社会关系网络中的最大影响力结点作为新的最近邻集合，并且将这个邻居关系进行扩展，进一步提出了基于最大影响力关系的概率矩阵分解模型。与传统的社交矩阵分解模型相比，最大影响力的概率矩阵分解模型对冷启动用户有更好的性能。　　3.提出基于张量投影的线性多关系矩阵分解模型。该方法其主要思想是将标签记录的历史张量记录降为若干个线性相关关系矩阵，建立标签预测模型，在此基础上，进一步引入标签系统的多种关系数据，构建一个线性多关系标签预测模型，最后将该方法应用于BPR-Opt优化框架，提高标签列表推荐的性能。　　另外，本文中在社交平台推荐数据集(Epinions，Flixster,Lastfm)上实现与对比了所提出的算法与传统方法的实验性能。