随着互联网的普及和信息技术发展，社交网络应用大量出现，如常见的人人网、Facebook，还有新闻社交、职场社交等，网络生活逐渐变得社交化。此外，网络信息急剧增长，如何在海量信息中找到感兴趣的资源变得日益重要。然而，个性化推荐系统可以解决这个问题。它不仅可以提高用户满意度、忠诚度，还可以提高企业收益。因此，个性化推荐系统成为了近年来智能检索领域的一个研究热点。协同过滤是当前应用最为广泛、成功的推荐技术。它只依赖于用户对项目的评分矩阵，对于各种特定的应用都有较好的适用性，但也存在一些问题，如推荐准确性、冷启动和覆盖率等。为了解决这些问题，本文在前人的基础上考虑了社交网络中的用户特性，提出了一种基于社交用户标签和协同过滤混合的推荐方法。本文的主要研究工作及成果如下：①针对协同过滤的准确性、冷启动和覆盖率的问题，提出了一种将社交推荐与协同过滤结合的混合推荐方法。首先，通过传统的基于用户的协同过滤推荐算法可以产生推荐，然后，利用社交网络中用户的个性化标签以及用户关系进行推荐，最后将这两种推荐结合进行混合推荐；②在混合方法中通过利用社交用户关系和个性化标签，采用结构相似性度量方法，实现了基于社交用户标签的推荐算法；③通过采用权重组合的方式，对社交网络和协同过滤的推荐进行混合生成最终结果。最后，在一般数据集和冷启动数据集上分别对本文提出的方法进行了评估。在准确率、召回率和覆盖率等指标上的对比实验结果表明该方法可以提高推荐的准确度和覆盖率，并且对冷启动问题也有较好的解决。