随着数字化信息时代的到来,在线社交网络服务得到了快速发展。网络信息爆炸式地增长,用户很难高效地在海量信息中寻找对自己有用的信息。因此,个性化推荐系统应运而生,基于社交网络推荐系统的研究也成为当前热点。本文详细分析了社交网络的结构,地理位置服务以及各种推荐算法。重点研究用户之间的信任关系、用户评分和地理位置等因素对个性化推荐算法的影响,与传统的推荐模型相比,基于社交网络的推荐模型有严重的数据稀疏问题。为了解决这些问题,本文提出两种改进的协同过滤推荐算法,主要工作及取得的研究成果如下:针对传统协同过滤算法存在的数据稀疏和扩展性差问题,本文提出了一种基于用户兴趣和社交信任的聚类推荐算法。该算法首先基于聚类技术建立基于用户兴趣相近的邻居集合,同时,通过定义直接信任、间接信任、传递路径和计算方法来度量社交网络用户之间隐含的信任值,建立基于社交信任的邻居集合,综合两种邻居集为用户产生项目的推荐。在Douban数据集上进行实验,与基于用户的协同过滤算法和基于信任的推荐算法相比,本文算法有更低的平均绝对误差,且准确率和覆盖率都有增加,在一定程度上解决了协同过滤算法的数据稀疏和扩展性差问题。针对协同过滤算法准确性问题,在当前较流行的基于地理位置社交网络上,提出一种基于位置的社交网络推荐算法,为用户提供签到地点的推荐。算法首先挖掘社交网络中用户存在的潜在信任关系,计算用户之间的信任值;然后根据用户的签到信息,分析用户之间是否有共同地点的偏好,计算用户之间偏好值;通过计算用户之间的距离,得到用户之间的位置相似度;按线性加权且使用两个权值α和β控制用户兴趣、社交信任、用户距离三种因素的重要程度;推荐预测用户未来可能签到的地点。在Foursquare数据集上进行了仿真实验,结果表明与基于用户的协同过滤算法和基于信任的推荐算法相比,本文算法的查准率、查全率、F1值都有较优值。