近年来,随着互联网规模的扩大以及移动终端的广泛普及,诸如Facebook、Twitter、Tumblr等社交网络融入人们生活的方方面面,人们享受着随时随地发布分享、关注好友的动态更新等SNS社交网络服务。然而信息的快速更新使得社交网络的数据成指数增长,用户规模不断扩大,大量用户发现每天收到的信息不仅包含自己关注的朋友的分享,还有非常多自己不感兴趣的内容。更严重的是,这些“垃圾信息”反而会淹没用户感兴趣的部分。如何给社交网络中的用户提供个性化推荐服务,成为推荐系统面临的难题。虽然传统的推荐技术取得了一定的成果,但对于社交网络来说,这些推荐方法没有考虑到社交网络自身的特点,在推荐过程中也没有利用到用户的社交关系,以至于不能很好的满足用户的需求。针对以上问题,本论文重点研究社交网络的社团结构、用户兴趣偏好和用户交友关系对个性化推荐方法的影响。根据社交网络的特性,同时针对现有推荐方法的不足,提出了基于用户兴趣偏好的好友推荐方法和改进的协同过滤方法,通过仿真实验证明提出的推荐方法更加适合社交网络,推荐的准确率更高。本论文的主要工作包括以下几个方面:1.针对社交网络的特性,提出一种适用于社交网络的社区发现算法CUPC。2.针对“朋友的朋友”和共同好友数量进行好友推荐方式的不足,提出一种基于CUPC社区发现的好友推荐方法,该方法不仅考虑到用户的社交关系,还考虑了用户的兴趣爱好。3.结合CUPC社区发现算法和协同过滤,提出一种改进的个性化推荐方法,该方法在协同过滤寻找最近邻阶段,利用用户兴趣和用户社交关系对用户进行聚集,减小最近邻的范围,同时提高推荐的准确性。4.通过真实社交网站MovieLens和Last.fm的数据集进行了仿真实验,将提出的个性化推荐方法应用到实际社交网络中。实验结果表明,本文提出的个性化推荐方法更加适合社交网络。