在互联网信息量以不可估量的速度增长的时代,用户在混杂各种各样信息的信息池中找到所需的内容已然成为一个棘手的问题。针对这一问题,推荐系统被提出。推荐系统是一种新的计算模型,它试图从海量信息中过滤出目标用户可能感兴趣的信息。原始的推荐算法普遍基于协同过滤的思想,这种思路来源于人们在选购商品时的自然法则。通常,用户对于未知物品束手无策时总是会请教身边有经验的人,然后根据这些人的经验分享判断物品是否有用。协同过滤算法将这种思想运用在推荐系统上。然而,协同过滤主要存在三类问题：数据稀疏性高、冷启动以及系统的可扩展性。为缓解上述问题,基于社会网络的推荐系统应运而生。社会网络的形成是通过人们在互联网上的交互行为,这种用户关系从各方面体现了人们在真实社会中的人际关系。因此,将社会网络与推荐系统组合形成基于社会网络的推荐系统能够丰富推荐结果。矩阵分解模型是推荐系统的经典模型,由于其具有良好的可扩展性,使得社会网络信息易于与该模型结合。在这一机制下,提取相似用户群体是提高推荐系统准确性的关键因素。传统的相似性函数是评判两个用户对于相同物品的反馈行为的相似性,其中,反馈行为的相似性并不能说明两个用户具有相似的兴趣爱好,而且,该方法忽略了用户的社会关系的作用。因此,本文通过深入分析用户间的关联程度,提出了两种新的兴趣相似性计算函数,并针对相似性函数的特性分别建立新的社会正则化,最后将其运用在基于矩阵分解的推荐模型中。通过对上述研究工作的深入分析,发现这两个新的相似性函数一个反映了用户间一对一的兴趣相似性,一个则反映了目标用户与其所有朋友的平均兴趣相似性。此外,这两个相似性函数是基于社会网络密度的。如果社会网络密度相当紧密,那么这两个函数的值更接近用户的兴趣相似性。为了丰富社会网络信息,本文进一步将这两个函数整合为一个社会正则化,并讨论了不同的结合方式。相较于之前的社会正则化方法,该方法更能明确解释用户的兴趣相似性,而且能有效减小社交信息的稀疏性。实验结果显示,该方法在预测准确性方面要优于之前的推荐算法模型。