社交网络提供了相互交流,相互沟通,相互参与的平台,社交网络推荐系统在这个平台上扮演了一个重要的角色。在线社交网络关系推荐中特征项提取和有效运用是一大难题,用于推荐的海量数据使得所构建的特征项矩阵非常巨大,增加运算成本。发展有效运用大数据的推荐算法成为当今数据挖掘领域的前沿课题之一。基于Factorization machines (FM)模型的推荐算法能够处理大数据的推荐问题,适合在线社交网络关系推荐的情景。FM模型能利用特征块机制有效地减少特征项矩阵冗余问题,然而特征块和映射函数的构造没有统一的方法。本文所提出的“索引映射方法”借助数据库技术快速获得特征块结构及其映射函数,加速了推荐算法的运算过程,提高了算法实现效率。本文的主要工作与贡献如下：1、系统地研究特征块结构。在FM模型中利用块结构能够极大地减少空间复杂度,从而提高算法运行速度。本文将设计对比实验研究特征块结构对推荐算法的优化效果。2、借助数据库提取特征项。本文在按标准范式设计数据库时,能够获得FM算法中的特征块结构,同时也为实验中分析不同特征项在FM模型中的作用打下基础。3、提出“索引映射方法”。本文借鉴数据库系统中“索引”概念,并利用数据库的索引代替特征项矩阵中的重复模块,同时快速获得特征块结构和映射函数。4、给出推荐算法的一般设计结构图。本文先展示推荐算法设计的一般结构,然后结合具体实际情况,应用该架构思路设计本论文实验。