社交网络帮助人们扩展关系相比传统线下方式具有优越的便利性,所以社交网络逐渐成为人们用于扩展关系圈的重要途径。用户推荐算法研究社交网络中如何推荐给目标用户其感兴趣的其他用户,一直以来是社交网络中研究的热门方向。用户推荐主要为好友推荐,本文研究内容也主要围绕好友推荐展开。人际吸引出自心理学概念,研究内容是影响人们之间成为朋友乃至恋人的要素,以及各个要素之间的相互关系。本文依据人际吸引相关概念,针对传统基于内容的好友推荐算法中暴露的部分问题提出了解决方案。针对基于内容的好友推荐算法应用场景复杂多样,本文提出了多种算法改进方法。其主要贡献如下:1.针对传统基于内容的好友推荐算法忽略用户能力因素的问题,本文结合了人际吸引相关概念,在用户模型中加入能力模块。提出一种融合用户兴趣和受欢迎能力的好友推荐算法。本算法融合了用户间兴趣相似度和受欢迎能力相似度来计算用户间吸引度值,并按照吸引度值从高到低推荐用户。基于真实数据测试下的实验验证,改进后的算法比传统基于兴趣的好友推荐算法在推荐结果各项指标上存在一定提高。2.针对传统情感相似度算法忽略用户情感特征值存在负向的问题,提出了一种基于改进情感相似度算法的好友推荐算法。本文结合了心理学中的损失厌恶理论,首次在计算情感相似度的过程中对用户间情感倾向相同和相反时采取了不同处理方法。通过真实数据的实验表明相比基于传统相似度算法的好友推荐算法,基于改进情感相似度算法的好友推荐算法可以优化好友推荐效果。3.针对传统获取用户情感特征中可能存在不同特征项的主题之间存在重复问题。本文提出一种获取用户情感特征的改进方法,在主题模型和情感分析的基础上,加入凝聚层次聚类算法。实现将原情感特征中存在重复的不同项进行合并以达到优化用户情感特征的效果。并将改进后的情感特征获取方法结合基于改进情感相似度算法的好友推荐算法,得到一种基于改进用户情感特征的好友推荐算法。通过真实的数据集测试中,基于改进用户情感特征的好友推荐算法相比基于改进情感相似度算法的好友推荐算法在推荐常见评价指标上得到了进一步的提升。