随着计算机网络的普及和发展,社会网络(social networks),比如Facebook、Twitter和Google+,已经成为人们社会活动(相互联系、结识好友、分享信息和商品推荐等)中最为普遍的平台和工具。在网络和移动设备迅猛发展的背景下,社会网络的用户人数与日俱增,从而用户内在社会属性和用户之间相互关系趋于复杂多变。用户之间关系已经成为社会网络中一个极为重要的研究热点。与此同时,由于新型的社会网络应用不断涌现,使得社会信息呈前所未有的速度激增,用户在对商品的选择上受到了更多影响。如何进行有效的社会推荐也成为了近年来国内外的研究热点。因此本论文围绕用户之间的亲密关系,针对社会网络中的热点问题,展开深入研究,主要工作及创新点如下:(1)对于特定社会网络,具体表现为每次加入社会成员的人数不确定且加入的时间间隔呈指数分布,现有的研究没有涉及。这类社会网络广泛的存在于社会生活中,诸如会员制的社团。为此,本文利用改进的平均场理论对这个特定社会网络度分布进行研究分析。为了进一步提高度分布分析的精确度,本文提出了一种基于亲密关系的扩展系数算法,该算法通过用户之间的亲密度来确定加入用户数目。模拟实验表明,该社会网络度分布符合幂律分布和小世界网络特性,并且对比现有方法,本文提出的算法在大大降低时间复杂度的同时,分别在度分布分析的精确度上提高29.04%和在计算时间上降低42.69%。(2)现有社区发现方法没有充分考虑社会成员之间深层次关系,存在计算复杂度高的问题。本文将人与人之间的亲密关系应用到社会网络社区发现中,通过降低社区之间亲密度矩阵阶数的方法发现各个小社区。为了降低算法复杂性,本文提出了一种基于亲密度的社区合并算法,合并小社区得到最终社区发现。通过理论和实验对比分析,在得到精确社区发现的基础上,本文算法相对于现有算法,在降低了时间复杂度的同时,迭代次数降低了39.06%和计算时间降低了47.09%。(3)由于网络连接的不确定性和节点内在属性的复杂性,有效移动社会网络数据传输成为一个挑战。为了应对这一问题,本文在地理亲密度的基础上,提出了一个有效移动社会网络数据转发方案,以达到高数据传输率的目的。在该方案中,本文首先在移动社会网络中,利用第二个工作中提出基于亲密度的动态社会网络社区发现算法发现社区。然后,本文提出了一个新的度量标准—地理亲密度,用来量化节点的地理信息和节点之间的相互关系。基于地理亲密度,本文进一步提出了路由算法传输数据。对比节点之间的地理亲密度,找到下一跳节点,进而本文通过相似操作找到了数据转发路径。在ONE模拟器上进行大量实验表明,本文算法比现有算法更为有效,以仅高于现有算法6.28%的平均时延为代价,将传递率提高了50.13%,开销率降低了27.29%。(4)现有社会推荐方法忽略了用户不真实评级且没有充分理解用户之间的社会关系,因此,在信息缺失率高的情况下,这些方法的推荐精确度往往表现得很低。在本文中,提出了用户-项目客观评级矩阵,从而避免用户对项目不真实的评级。为了更好地预测评级,提出了用户-项目子块,它可以聚集亲近用户和相似项目。然后,通过用户之间亲密度和项目之间相似性,可以得到子块。为了提高社会推荐精确度,本文在子块中进行基于社会贡献度和社会相似性的矩阵分解预测评分。最终预测评分由合并所有子块后获得,Top-N预测评级的项目推荐给用户。在真实社会中的数据集中进行系统模拟仿真试验,结果表明本文方法比现有最先进模型在平均正确率均值(MAP)和归一化折扣累计增益(NDCG)上分别提高了14.59%和10.5%。综上所述,本文首先提出亲密度的概念,并在此基础上利用扩展系数和平均场理论对特定社会网络进行度分布;然后提出了一种基于亲密度的动态社区发现算法,并在社区发现的基础上进行移动社会网络数据转发研究;最后利用用户之间的亲密度在用户-项目客观评级矩阵中发现子块,提高社会推荐系统的精确度。本文的研究丰富了社会网络度分布、社区发现、移动社会网络数据转发和社会推荐系统的研究方法,为用户之间关系的研究提供了有意义的探索。