近年来,社交网络(Social Network Services,SNS)作为一种新颖的,实用的,便捷的交友模式,依赖其真实性,稳定性等特点越来越受到用户的青睐。但是,社交网络的发展面临着一种类似“马太效应”的现象,比较成功的社交网站的用户规模正在不断的膨胀,并且用户使用社交网站的一个重要目的是结识好友,维护好友关系,以此来拓展自己的社交圈,因此如何在一个具有庞大的用户基数的社交网站上进行好友推荐便是一个不得不解决的问题。虽然学者们对社交网络上的好友推荐进行了比较深入的研究,但结果并非尽善尽美。通过在真实社交网站上进行观察与分析后,我们发现部分用户会逐步形成一种小团体结构即社会网络中的一种社区现象或者可以理解为用户的真实社交圈。一般而言,在社交网络中用户可能会与很少一部分用户成为好友,而且最可能与之成为好友的其他用户一般都来自该用户所在的社交圈,与其他大多数社交圈中的用户结为好友的可能性则相对较小。另外,在推荐算法的实现上,大多数好友推荐算法需要通过一定的方法如用户链结信息、用户话题偏好等构建推荐模型,然后通过计算相似度来产生推荐,在社交网络动辄百万甚至千万级别的大数据集上进行相似度计算,无论是在时间或者空间开销上都是巨大且不容忽视的。鉴于此,本文算法采用了一种社区发现算法来进行好友社区的划分,在好友社区中进行推荐既缩小了推荐的范围又减小了进行用户相似度计算的数据规模。由于目前大多数的好友推荐算法仅仅根据用户之间的链结信息来计算用户相似度,较少考虑用户之间关系的内容以及关系的强度,这在进行好友推荐时便失去了很多重要的信息。鉴于此,本文根据划分出的社区建立好友网络图,并在图中的边之间加入了真实的关系语境,进行了用户间关系强度的一种定量计算。将其与根据用户间链结信息计算的用户相似度进行融合提出了用户综合相似度的概念,用来作为本文进行好友推荐的依据。最后本文采用Java语言进行了算法的具体实现,并将其应用于我们所提取出的人人网好友数据集上,验证了本文所提算法的有效性和准确性。