随着互联网的迅速发展，近几年来社交网络服务越来越流行，成为了很多人生活中的重要组成部分。社交网络的流行在带给人们便利的同时，也给人们带来了信息过载的困扰，推荐系统是解决信息过载的有效手段之一，但是目前社交网络中现有的许多推荐系统效果并不太理想。与传统的基于评分的推荐问题不同，社交网络中的推荐问题主要为Top-N推荐问题，本文以微博中的名人好友推荐和在线音乐系统中的歌手推荐为例，对基于社交网络的Top-N推荐问题进行了研究。本文的主要研究内容包括以下几个部分：首先，本文将微博名人好友推荐问题作为链接预测问题，使用了链接预测问题中的经典模型——逻辑回归模型，利用该模型融合了社会网络结构、关键词和流行度三组特征，其中流行度特征效果较好。然后，本文将微博名人好友推荐问题作为推荐问题，使用了推荐系统中的经典模型——近邻模型，并使用了三种方法计算相似度矩阵。然后分析了以上两种模型的优缺点，为后续研究提供了思路。其次，本文在分析了逻辑回归模型和近邻模型的局限性后，选择了基于排序学习的矩阵分解模型解决社交网络中的Top-N推荐问题，利用该模型融合了社会关系、社交活动、用户性别和年龄、关键词和标签、用户类别、时间动态、用户活动模式、用户点击时间间隔八组特征，并对特征进行了比较深入的分析，达到了与国际评测中最高准确率相当的水平。最后，针对特征稀疏和社会关系特征利用不充分的问题，本文提出了利用社会关系扩展特征的方法，在微博名人好友推荐和在线音乐系统歌手推荐两个问题上，使用了五组特征进行了实验，充分验证了该方法的有效性。其中，在在线音乐系统歌手推荐问题上，本文提出的基于社会关系特征扩展的方法的准确率超过了目前在该问题上的最佳水平。