好友推荐算法的研究与应用是关于社会化网络推荐的一个热点问题。传统的好友推荐算法有基于共同好友的推荐和基于物品的协同过滤推荐,虽然两者的性能在特定的情景得到了业界认可但仍存在不足,第一种算法对于新用户存在“冷启动”的问题,第二种算法存在评分数据稀疏的问题。针对这些问题,本文对基于社会化网络的好友推荐算法进行了研究,提出了改进算法且在实际应用中获得了较为显著的效果。首先,本文提出了两个基于共同兴趣的推荐算法。第一个方法是基于物品的近邻模型进行好友推荐,根据用户间的关注关系建立了用户-物品评分矩阵,并使用归一化方法对近邻模型优化。该算法不仅能够解决冷启动问题而且经过优化后能够提高推荐的覆盖率和多样性。第二个方法是基于LDA的改进推荐算法,其主要思想是根据用户在社交网络中发布、评论和转发的信息提取用户的兴趣关键词或标签。首先采用LDA主题模型生成用户的兴趣主题,根据用户的兴趣主题求得用户的最近邻,然后在此基础上定义了新的正则化项,并将这些正则化项融合到矩阵分解模型中,最终建立了一个基于LDA的矩阵分解推荐模型。实验结果表明该模型能够提升预测准确率。其次,针对矩阵分解模型过分依赖用户-物品评分矩阵,没有充分利用社交网络中的结构化信息的问题,本章提出了一种基于矩阵分解的社会网络正则化推荐模型。对社会网络不同的结构特征使用了不同的相似度计算方法,定义了基于用户相似度的正则化项。新的正则化项能够最小化矩阵分解模型中相似用户对应的潜在向量之间的距离,防止训练模型出现过拟合现象。改进的模型将社会网络中用户的关系作为一种辅助信息融合到矩阵分解模型当中。通过在腾讯微博数据集上进行实验,验证了提出的方法与传统的推荐方法相比能取得更高的推荐平均准确度。最后,将基于社会化网络的好友推荐算法应用到了“我奥网”上。我奥网是一个专注于体育运动的社交网络平台,在这个平台上活跃着很多热爱运动的用户,为热爱运动的用户提供了一个结交好友,寻找球友的广阔平台。在这个平台上我们实现了针对新注册用户的好友推荐和基于社交关系以及兴趣特征的好友推荐。