近年来,基于活动的社交网络逐渐流行。基于活动的社交网络主要帮助用户组织线下活动,在这类社交网络上,用户可以创建、加入兴趣小组,同时兴趣小组的成员可以发起线下活动。随着基于活动的社交网络上的数据日益增大,需要设计针对社交活动的推荐算法来解决用户的选择难题。而由于社交活动的特点,如活动只可参加一次,没有历史评分记录,以及同时拥有线上线、下两套社交网络等,传统的推荐算法无法直接应用到这一领域,需要基于社交活动的特点对推荐算法进行创新和改进。本文将介绍我们研究并实现的一个社交活动推荐算法,其功能是生成社交活动的多个特征,并基于这些特征,计算社交活动与目标用户的匹配程度。该算法由两部分构成：特征提取和学习排序。在特征提取阶段,我们采用了社交活动的六个特征数据,包括用户偏好,基于协同过滤的偏好,区域流行度,活动社交影响力,地理近似度。在特征提取过程中,我们借鉴了基于协同过滤推荐和基于内容推荐的思想。在学习排序阶段,我们应用成对的学习排序计算出各特征的权重,从而以线性组合的方式将各特征结合起来。为了验证本文提出算法的有效性,我们自行整理了数据集,进行了大量实验。实验表明,我们所提出的算法效果理想,与对比算法相比有明显提升。并且,为了证明我们提出的算法具有实用性,我们设计并实现了一款社交活动推荐应用。其功能是基于我们提出的算法,为用户提供个性化的社交活动推荐。经实际测试,应用运行效果良好。