在线社交网络(OSNs-online social networks)的发展与普及给人们的日常生活带来了极大的便利,如今每天有多达数十亿的用户活跃在OSNs上,产生了大量的社交信息。渐渐地,人们将搜索的习惯从传统的网页搜索如谷歌、百度,转移到了 OSNs上来,社交搜索便应运而生。由于传统搜索方式有着查准率低,用户筛选时间长,搜索结果一致化等缺点,在用户个性化搜索的背景下,社交搜索依托于传统的搜索原理,结合用户的社交信息,可以产生个性化的搜索结果,提高搜索精度。总的来说,社交搜索是找正确的人(朋友、爱好相似的用户、领域专家等)为其精确快速的回答问题。随着基于位置的社交网络(LBSN-location-based social network)的兴起,在移动电话、平板电脑等移动设备和GPS、WiFi等移动技术的支持下,为社交搜索的移动化研究提供了理论依据。针对当前LBSN平台上社交搜索选取的社交特征不具代表性、搜索算法效率不高的现状,从Foursquare真实数据集中提取基于位置信息和联系人信息等多维特征,本文提出基于好友聚类的KNN搜索算法,设计基于倒排索引的搜索引擎,结合距离等因素使搜索结果更加精确、搜索速度得到提升。为使搜索结果更加精确,首先,在研究用户朋友的基础上,对朋友进行聚类。由于LBSN属于异构网络,数据集比较稀疏,通过聚类可以使数据更加稠密化,降低因数据稀疏导致的不利影响;其次,搜索算法的设计上,在考虑了传统社交影响力的基础上,增加了专业相关度和距离远近两个指标。综合搜索得分、社交得分和距离得分,通过线性回归的模型训练,使搜索结果更加精确客观。本文从Foursquare的真实数据集中,筛选出发生在纽约的数据。然后对四种搜索算法(本文提出的算法和三个对比算法)分别进行实验,通过对实验结果的对比和分析可以得出:(a)本文提出的搜索算法(FCSD-KNN)有效地提高了社交搜索的精度,相较于其他三种典型的对比算法取得了更好的效果;(b)通过对其他三种搜索算法(FCS-KNN、FC-KNN和F-KNN)的比较,表明本文提出的两个方法是有利于提高搜索精度的,一个是聚类用户的好友;一个是综合考虑了搜索得分、社交得分和距离得分。最后采用B/S架构,设计并实现基于好友聚类的社交搜索原型系统。