随着抖音、豆瓣、微博等兼具社交性质和媒体性质的社交媒体平台的兴起,如何解决这些平台上的“信息过载”问题成为了个性化推荐的发展方向之一。传统的协同过滤算法只考虑了用户评分的相似度,存在比较严重的“冷启动”问题和稀疏性问题。而一方面,用户社交关系能帮助我们更好地发掘用户之间的相互关系;另一方面,引入“用户-标签”信息有利于挖掘用户的潜在兴趣偏好。基于以上分析,本文希望通过同时引入社交网络信息和项目标签信息,改善传统算法的不足,提高推荐准确性。本文通过爬虫获取了用户的社交网络信息和项目标签信息。利用Louvain算法可视化展示了用户的社区分布,并基于广度优先算法计算了用户熟识度。通过将用户熟识度与传统相似度加权,确定了融合社交网络的协同过滤算法。接着,本文通过Wilcoxon秩和检验进行标签选取,再将“项目-标签”转化为“用户-标签”,并与评分信息相结合,得到了用户兴趣偏好概率分布。然后,提出了一种基于JS散度的兴趣偏好相似度计算公式。通过将兴趣偏好相似度与传统相似度加权,确定了融合项目标签的协同过滤算法。最后,针对本文中效果最好的算法,展示了协同过滤算法的“冷启动”问题。通过定义“冷启动”用户和“半冷启动”用户,并同时融合熟识度和兴趣偏好相似度,提出了一种分段的综合相似度计算方法,获得了更好的效果。