随着信息技术和互联网不断发展,各种各样的信息服务越来越普及。社交网络从传统的通信工具演变成满足人们交流、学习、娱乐等社交需求的平台。定位技术与传感器的高速发展,产生了大量的用户行为数据,使得推荐系统成为学术界和工业界持续研究的热点。面对人们不断增长的社交需求,本文重点研究在社交网络中获取有效信息和好友的推荐功能。在研究推荐方法上,更多关注节点间的特征和结构,将节点的相似性作为社交需求的依据,把图论技巧、模糊数学与概率方法有机结合,分别对三度连接网络和具有共同话题观点倾向的人群的综合影响力和用户相似度进行数量刻画,并且生成推荐列表;对三部图推荐算法,通过引入“出入度”对问题精细划分,补充缺失权重,利用物质扩散算法和热传导算法,建立三部图资源推荐模型,有效地进行个性化好友推荐和资源推荐。在侧重熟人间的社交网络中,本文从两方面计算三度影响力内的用户好友对目标用户的影响,其一是根据两个用户间连通子图创建连通因子,对两个用户间的边赋予合理的权值,考虑到用户间远近层次关系,运用图论技巧得到结构影响力公式;其二是根据话题频数隶属度计算关注话题的贴近度,得到模糊影响力公式。结合结构影响力和模糊影响力,构建三度连接网络中的综合影响力公式,得到对目标用户的推荐方案。通过微博文本分析同类用户集中的话题观点倾向,对有明确观点特征的微博,运用图排序算法直接分配观点;对无观点特征的微博,通过上下文关系和图排序算法计算用户发布某一话题观点的概率;用具有共同话题的用户观点构建差异度,得到计算用户间新的相似度公式,获得基于语义分析的用户推荐方案。面对传统三部图推荐算法所存在的信息缺失与资源传递不平衡缺陷,本文通过节点标记和被标记的数量定义初始资源;引入了出入度的概念,对问题进行细化;构建单向完全二部图和有向星图,建立了综合用户、物品、标签三者关系的有向图模型;结合网络活跃期和标签时间衰减特性给出了综合赋权公式,把计算用户相似性和标签相似性转化为单向完全二部图的赋权问题;运用统计学中的乘法原理和加法原理,得到加权三部有向图网络结构的资源推荐方案。