随着Web2.0技术的快速发展,互联网给人们的工作生活都带来了很多的便利。例如,在过去人们为了买一件衣服,可能需要去很远的商场购买,而如今,只需要通过网络在淘宝,京东等电商网站在线购买即可,省时省力。然而,当海量的商品信息充斥于互联网中时,人们面临着严重的信息过载问题。为了帮助用户更轻松更快速的寻找到所需要的商品,推荐系统应运而生,并被广泛的应用于诸如亚马逊,Netflix等网站。在诸多推荐算法当中,协同过滤算法由于只需要评分信息而且实现技术难度不大,成为最流行最成功的推荐算法之一。但是,它依然面临着数据稀疏性,可扩展性差的问题,一定程度上限制了推荐系统的预测推荐能力。近年来社交网站发展迅速,传统的电子商务网站也加入了用户社交的功能,为用户提供了评论,交流,反馈的能力,并产生了海量的社交网络信息,为解决传统协同过滤算法所面临的难题提供了新的思路和途径。基于以上分析,本文通过引入用户社交网络信息提出了两种新的协同过滤算法,具体内容如下:(1)为了解决数据稀疏性问题,本文分别在物品相似度计算和评分预测阶段,利用社交网络中朋友关系信息对评分矩阵中的缺失值进行选择性地填充,使得评分矩阵中的已有信息利用最大化,进而提出了基于社交网络缺失值填充的协同过滤推荐算法。最后,在公开数据集上进行了相关实验,结果表明提出的方法在数据稀疏的情况下,仍然有着很好的推荐精度。(2)为了解决可扩展性问题,本文对用户的社交网络进行社区发现,找到各个社区对应的物品集合,将物品划分为若干个物品组,然后构建出一个低维稠密的物品隶属度矩阵来代替传统协同过滤中高维稀疏的评分矩阵,进而在该隶属度矩阵上计算物品相似度,进行基于物品的协同过滤算法。最后,在公开数据集上进行了相关实验,结果表明与其他方法相比提出的方法在保证推荐准确性的同时明显提升了计算效率。本文提出的两种算法极大的改善了传统协同过滤算法的性能,使得推荐系统面对大数量的用户和物品的真实环境中的应用能力更强,将信息精准的推送给需要它的用户,提高人们的互联网体验。