近年来,随着互联网的蓬勃发展,越来越多的用户在互联网上频繁地进行交流与互动,促进了社交平台的快速发展。但是,社交平台中海量的信息、庞大的用户数量使得用户无法快速、准确地寻找到感兴趣的“朋友”,这极大地提高了用户寻找新“朋友”的成本,也降低了用户对社交平台的使用体验。针对这一问题,社交关系挖掘系统应运而生,它通过利用社交网络中用户的信息,能够有效地挖掘社交网络中用户间的社交关系,进而向目标用户推荐可能关注的用户,降低信息过载对用户造成的影响。尽管社交网络已大量应用推荐算法来挖掘用户间的社交关系,但是在实际应用中仍面临着许多挑战,具体表现如下:（1）在挖掘社交关系的过程中,系统往往需要多次调用用户信息,频繁地访问用户信息极易泄露用户的隐私评分信息,由此给用户造成损失等,极大地降低了用户使用社交平台的意愿,造成用户的大量流失。（2）社交平台的快速发展使得用户间的社交关系变得复杂多样,用户希望能够发现新的“朋友”,然而传统的社交关系挖掘方法无法区分用户间是“朋友”关系还是“敌人”关系,使得推荐结果不一定准确。针对上述问题,本文对传统的社交关系挖掘方法进行改进,提出了一种基于Simhash的链路预测方法来挖掘用户间的社交关系及类型,并将研究成果应用于社交关系挖掘系统中。本文主要在以下几个方面展开了研究工作:（1）首先,本文利用链路预测方法,通过对用户的行为进行分析,获取用户的兴趣偏好信息,进而预测用户间潜在的及尚未连接的社交关系。针对社交网络中的用户隐私保护问题,本文在链路预测方法中应用Simhash技术,将高维的用户评分信息映射为低维的布尔值特征向量,有效地保护了用户的隐私评分信息,提高了用户对社交网络的使用体验。（2）其次,本文使用“信任度”[1]的概念来区分社交关系类型,通过模糊计算模型依据用户评分信息计算得到用户间的信任度,当信任度为正时用户间是信任关系,即“朋友”,反之则是不信任关系,即“敌人”,最终向目标用户推荐有信任关系的用户。为了验证改进方法的可行性和有效性,本文基于现实世界中真实的Epinions数据集设计和实现对比实验,最终证明了本方法是切实可行且有优势的。（3）最后,完成社交关系挖掘系统的开发。在（1）和（2）的研究成果上,基于B/S架构模式,根据对系统可行性和用户需求的分析,本文设计和实现了一套社交关系挖掘系统。本文在Py Charm开发环境下使用Python编程语言和Django开发框架实现社交关系挖掘系统的各个功能模块,进而通过基于Simhash的链路预测方法挖掘新的社交关系并计算用户间的信任度,使得社交关系挖掘系统能够更加及时、精准地向用户推荐信任度为正的“朋友”,为用户提供良好的使用体验。