进入Web2.0时代以来,Facebook、微博、Twitter等社交网站迅速普及,用户通过互相添加为好友或关注等方式建立并拓展符合自己兴趣爱好的社交圈,实现好友间的交流沟通和信息共享。随着社交网站中用户数量的急剧增加,用户寻找兴趣相投的好友变得越来越困难。为了提升用户在社交网站中的用户体验,好友推荐系统逐渐成为各大社交网站的重要组成部分,基于社交网络的好友推荐方法也成为推荐系统领域研究的热点内容。基于社交网络的好友推荐系统能主动为用户推荐新的潜在好友,可以有效地扩大用户的社交圈规模、改善用户的社交体验,因而受到了广泛的关注。传统的好友推荐主要是通过挖掘用户兴趣偏好,计算用户间相似度进行好友推荐。在社会化推荐成为热点后,又转向对用户间关系的研究,提出链接预测等方法。考虑到用户兴趣和用户间关系都是衡量用户的重要因素,本文主要对基于社交网络的混合好友推荐方法展开了研究,主要创新工作如下:(1)提出一种基于用户潜在特征的社交网络好友推荐方法。该方法首先应用隐语义模型通过用户的行为记录挖掘用户的潜在属性特征,从用户兴趣和用户交友偏好两个方面构建用户特征模型;然后,通过用户潜在特征向量计算用户间的相似度;最后,将计算得到的相似度引入到随机游走模型中获得Top-k的好友推荐列表。该方法不仅更全面的构建了用户模型,还综合考虑了用户兴趣和用户社交关系,因此,保证了推荐结果的准确性。实验结果表明,该方法比已有的好友推荐方法在性能上有显著提升。(2)提出融合用户关系度和排序学习的社交网络好友推荐方法。该方法首先通过共同好友数量和三度连接的网络结构,综合计算用户间的关系度;然后,将用户间的关系度和排序学习相结合,应用到隐语义模型中挖掘用户潜在偏好特征;最后,通过用户分享的相关项目的潜在特征构造用户分享偏好特征向量,计算目标用户的偏好特征向量与其他用户分享特征向量的相似度,得出与目标用户的偏好最为相似的有序推荐列表。该方法一方面更全面考虑了用户间关系的影响,另一方面考虑了用户对项目的偏好顺序的影响,综合这两方面的影响可以更好的挖掘用户偏好特征。通过实验验证,该方法取得了较好的推荐结果。