随着互联网和信息技术的迅猛发展,智能移动终端的广泛普及,用户可以随时随地参与信息的创建和传播,使得互联网上的数据呈指数形式快速增长。在信息爆炸时代,信息的利用率出现不升反降的现象,称之为信息过载。为了解决信息过载问题,现阶段主要有信息搜索和信息推荐两种技术。信息搜索针对不同用户返回的是相同的数据信息,不能满足用户的个性化需求,而信息推荐可以主动为用户提供满足用户需求的个性化信息。传统的推荐系统往往忽略用户之间的社会关系,使得推荐的用户体验度不高。本文借助于社会关系网络,通过用户之间信任的社会关系,从与目标用户关联度高的其它用户中得到更能反映其个性化的信息,从而获得更符合其个性化需求的信息推荐,减少推荐的盲目性,提高推荐的精度。本文把社会学中社会网络的概念和人工智能领域的人工鱼群算法引入到个性化推荐算法中,在真实数据集的基础上,通过从网络资源中获取用户的标签信息,运用社会网络分析的方法重构出用户的标签网络。分析了用户标签网络、社会关系网络以及综合两种网络的双层混合网络模型。从资源数据中挖掘出用户之间的社会关系,通过改进社会关系网络扩展算法,对社会网络进行有效的扩展。通过挖掘社会网络中的相邻用户信息,利用用户标签网络和社会关系网络之间的映射关系,提出了标签网络和社会网络相结合的TF推荐算法,该算法充分利用双层混合网络模型的特点,在社会关系基础之上计算标签的相似度,得出最佳的推荐结果;借鉴群体智慧的思想,提出了基于离散事件人工鱼群模型的个性化推荐算法,该算法构建了以目标用户标签信息为状态的人工鱼,通过模拟鱼群的群体行为,最终求解出全局近似最优解。本文借助新浪微博开放平台,挖掘出真实数据集进行实验。实验数据主要包括用户Profile信息、标签Tag信息以及社会关系Friends信息,通过对这三类数据进行处理,构建出用户的标签网络和社会关系网络。运用这个真实数据集对基于标签的推荐算法、TF算法以及基于人工鱼群模型的推荐算法进行验证。实验结果表明,TF算法和基于人工鱼群模型的推荐算法比基于标签的推荐算法在查准率、查全率方面性能得到明显提升。同时基于人工鱼群模型的推荐算法具有时间可控性,当网络规模较大时,以较小的精度损失换取执行速度的显著提升。