近些年,社交网络发展迅猛,各种SNS服务吸引了上亿用户的使用,庞大的用户规模和产生的海量信息给用户带来了信息过载的问题,用户很难从巨大的用户群中找到自己潜在关注对象,因而也很难找到自己感兴趣的话题或信息。社交网络中的关系推荐在于从给定用户的基本信息、行为信息、社交图谱、关键词信息中,挖掘用户的社交倾向,预测用户可能关注的对象并生成个性化的推荐结果,帮助用户找到他们可能的关注对象,快速建立自己的社交圈子,从而减少这种信息过载,带动用户的活跃度,增强用户体验。本论文的主要工作包括：回顾和总结了推荐系统的概念、结构、常用的推荐算法、评价指标等。着重介绍了经典的协同过滤算法以及社交网络中的关系推荐算法,总结和比较了推荐系统常用算法的适用场景。深刻描述了推荐系统中的因子分解理论的发展历史和根本思想。在此基础上,引出了因子分解机模型,全面介绍了因子分解机模型的模型表示、损失函数定义、参数求解方法及怎样运用于推荐系统。基于因子分解机模型,从腾讯微博数据集中提取出能对用户行为起到重要影响的多类别变量特征,并对用户关注历史进行session的划分,从而同时对用户行为倾向和时间规律性进行建模,较大幅度地提高了预测精度。同时,考虑到社交网络的迅速发展带来的大量冷启动用户,本文从用户的社交网络图谱以及整个数据集表现出来的统计规律出发,选取一些关键特征作为用户社交偏置项(bias),将偏置项与因子分解机模型的预测结果相融合,有效地提高了冷启动用户的推荐准确率。最后,将本文的实验结果与一些常用的关系推荐算法进行了比较,证明了本文方法的有效性。同时,研究了因子分解机模型中分解维度k的取值对模型预测准确度的影响。