随着日常生活中我们使用具有相似功能的web服务的迅速增加,帮助做出知情决策所需的信息也呈指数级增长。因此,从大量功能等价的服务列表中选择适合用户需求的优质服务非常具有挑战性。因此,集中式和社会性网络环境中的服务推荐已经成为web服务领域中的一个重要问题。随着推荐过程中服务数量的增加,服务消费者也相应增加。双方的增长导致了服务的需求和供应的多样性。此外,大多数传统的方法都是基于用户对产品的评级来推荐服务,存在数据稀疏的问题。为此,在服务推荐中加入社交网络有助于向用户提供可靠和准确的服务推荐,同时为用户提供多样化的选择。本文首先提出了一种基于邻域的扩散推荐算法,该算法基于目标用户邻居的偏好,利用物品的评级分数在物品之间分配资源,确保目标用户的个性化推荐。具体而言,在扩散过程的第一阶段,探索adamic-adar相似度指数来选择top-K相似近邻来抑制受欢迎近邻。其次,在扩散过程的第二阶段,应用一个sigmoid函数将资源重新分配回对象,以抑制受欢迎的对象。最后,在四个真实数据集（Friendfeed、Epinions、Movie Lens-100K和Netflix）上进行的几项实验表明,我们提出的NBD算法在准确性方面有更好的表现,在多样性和新颖性方面仅次于热扩散算法。论文的第二个方面是基于朋友关系的web服务推荐过程。具体而言,本文提出了一种基于扩散方法的产品推荐新方法,该方法结合了社交网络中的用户关系和用户-产品关系。特别是在用户-产品网络中,探索了资源再分配过程。通过考虑用户的社交能力来计算网络中的用户服务的扩散能力,使得服务在大规模网络中的推荐精度更高,服务推荐的多样性也更大。其次,引入了一个调优参数来根据用户的社会关系调整服务最终从用户那里接收到的资源权重。最后,在包含朋友关系的真实数据集（Friendfeed和Epinions）上进行的大量实验证明,我们提出的方法在推荐准确性、服务多样性和实际可靠性方面取得了显著的性能提升。论文的第三部分提出了一种基于链路预测和局部信息的邻居节点发现算法。链路预测研究今年来已经引起了人们的极大兴趣,对于如何根据观察到的信息来预测网络中缺失的链路或未来的链路有着重要的研究。然而,解决链路预测问题的关键是如何以更高的精度度量网络中节点之间的相似性,从而利用节点间的相似度来估计网络中节点的接近度已经提出了一些技术。为此,本文提出了一种利用网络结构预测链路间关系的高效链路预测算法。该算法利用共同的邻居以及节点的度分布,根据局部信息估计网络中两个节点之间存在链接的可能性。并使用7个真实数据集进行了广泛的实验,同时与12个基于相似度的标准方法进行了比较。最后,实验结果表明,与基于局部信息的方法如共同近邻法和优先附着法相比,本文提出的方法具有更高的预测精度。与拟局部指标如LP和全局指标如Katz相比,本文提出的方法计算复杂度更低,具有竞争力。