随着在线电子商务的蓬勃发展,用户可选择的商品种类和数量也随之迅速增加。为了从数以亿计的商品库中给用户自动推荐他们可能喜爱的商品,学术界对个性化推荐系统进行了深入的研究。当今大量的商业系统中使用传统的协同过滤算法来实现推荐系统,取得了不错的效果。然而传统的协同过滤算法需要构建庞大的评分矩阵,难以解决冷启动、复杂度高等一系列问题。同时,随着社交网络的快速兴起,用户在社交网络上提供了大量个人的信息数据,传统的推荐系统也并未对此方面的数据加以利用。因此由于传统推荐算法自身模型的简易性和数据来源的匮乏,已经无法满足当前个性化推荐系统的发展要求。针对传统推荐算法的问题并结合当前研究的成果,本文阐述了传统推荐系统的弊端,研究了社交网络的特性,重点研究了如何将社交网络及其动态变化信息引入个性化推荐系统,以实现和用户当前兴趣领域适配的高质量推荐服务。本文的主要贡献点如下：1.通过分析社交中的单向关注数据,提出一种针对用户兴趣领域的人群分类的算法。该算法以社交网络中“弱连接理论”为基础,,利用通常应用于文档检索中的隐性因素模型挖掘出社交网络中单向关注行为背后隐藏的用户兴趣领域。2.将社交网络的动态变化信息纳入个性化推荐模型中,提出基于时间感知的个性化推荐算法。该算法认为用户的短期兴趣比长期兴趣对其实际购买行为的影响更大,通过跟踪用户近期社交行为来挖掘用户的短期兴趣。经实验表明,本文所提出的的算法在推荐质量和算法效率上均改善了传统推荐系统的不足之处。在当今社交网络和电子商务网站逐渐融合的背景下,本文提出的基于动态社交网络的推荐算法能更好地满足用户对个性化推荐服务的需求。