随着社交网络的不断普及和应用,大量的用户涌入社交网络之中。使社交网络中出现了“信息过载”的问题,为了帮助用户在海量的数据中找寻他们可能感兴趣的信息,提升用户体验,个性化推荐算法诞生了,为了解决推荐质量与实际情况存在偏差的问题以及社区人数不足导致推荐质量下降问题,本文的主要研究工作如下:1.针对传统个性化推荐算法中无法动态的为用户产生推荐,使用显示交互行为收集信息繁琐等问题提出了一种基于兴趣传递的好友推荐算法。该算法为了更为真实的符合现实情况,引入了艾宾浩斯记忆曲线模拟人脑对事物的遗忘规律,并且加入了兴趣传递理论。并且针对用户犹豫时间而产生的推荐不标准问题,以用户浏览时间为标准重新定义了用户相似度计算方法,最后通过社交网站中的真实数据进行实验,验证了算法的有效性。2.针对社区类好友推荐算法中存在的社区人数不足导致推荐质量下降问题,提出一种基于相似社区的好友列表扩充算法。该方法首先从社区中筛选权威用户,接着利用权威用户的历史微博文本挖掘出社区的关键词,然后计算关键词的相似度与相关度发现相似社区,最后将相似社区融合后产生推荐。通过社交网站中的真实数据进行实验,表明该算法更加适用于人数较少的小规模社交网络,并且相对CUPC算法中提及的两种扩充好友列表方法,该算法的准确率和召回率均有所提升。实验结果表明,本文提出的两种算法相对于原文算法在用户相似度均值、准确率和召回率上均有所提升。在社交网络中使用本文提及的算法,对用户具有提升用户体验的积极意义,对运营商具有提升用户粘性,提升收益的积极意义,对其他领域的个性化推荐算法研究也有着一定的理论借鉴意义。