近年来,社交网络快速发展,成为覆盖互联网用户最广、传播影响力最大的Web2.0服务。社交网络的出现正逐渐改变着人们沟通、思考、研究和组织信息的方式。在社交网络中,为用户推荐朋友对社交网络的发展、用户满意度的提高、知识的传播以及社会网络理论的研究等诸多方面都起到了有力的促进作用。本文主要研究如何为社交网络用户提供快速准确的朋友推荐服务。由于用户使用社交网络的目的不同,因此,本文将社交网络分为社会型社交网络和信息型社交网络两大类,分别研究这两类社交网络的朋友推荐问题。用户使用社会型社交网络的主要目的是为了维护线下的关系,而使用信息型社交网络的主要目的是为了寻求感兴趣的信息。本文的研究主要包括三大部分:第一部分分别对两类社交网络进行微观模式分析,作为社交网络朋友推荐算法设计的理论基础;第二部分为社交网络朋友推荐算法的设计部分,以为两类社交网络用户提供快速准确的朋友推荐服务为目的。第三部分描述了基于本文提出的两类社交网络朋友推荐算法的扩展应用。具体来说,本文的第一部分分别讨论了社会型社交网络和信息型社会网络的微观模式,以测试来自传统物理世界的成本理论、互惠性理论、三方闭合理论和同质性理论等理论应用于社交网络中是否有效为重点,加深对社会型社交网络和信息型社交网络中用户形成链接模式的认识,为后续的社会型社交网络和信息型社交网络中朋友推荐算法设计提供理论依据。论文的第二部分研究社会型社交网络和信息型社交网络朋友推荐算法的设计问题,以为用户提供快速准确的朋友推荐服务。对于社会型社交网络,本文结合社会型社交网络的网络结构和关系强度,提出一种快速有效的基于局部随机游走的社会型社交网络朋友推荐方法。新方法包括两个步骤:第一步获取一个权重朋友网络;第二步基于权重朋友网络,使用局部随机游走算法计算用户间的相似性,为用户推荐和其最相似的潜在朋友。对于信息型社交网络,本文分别提出两个朋友推荐方法:基于内存的信息型社交网络朋友推荐方法和基于模型的信息型社交网络朋友推荐方法。基于内存的信息型社交网络朋友推荐方法具有实时、直观易懂和无需离线建模等优点;基于模型的信息型社交网络朋友推荐算法则具有更高的推荐准确性。其中,基于内存的信息型社交网络朋友推荐方法结合基于内存的协同过滤技术和链接预测方法的思想,根据相似用户所关注的朋友发现目标用户的潜在朋友。它主要包括四个步骤:第一步通过探索社会网络,发现目标用户的三类相似用户;第二步根据找到的相似用户识别候选用户;第三步使用权重策略排序候选用户;最后一步依据偏好链接原理,对候选用户排序进行微调。基于模型的信息型社交网络朋友推荐方法根据信息型社交网络用户的特点和网络结构特征改进了目前应用于信息型社交网络朋友推荐中的矩阵分解模型,提出结构规则以指导模型的学习,使之更准确地刻画用户的兴趣特征,从而提高朋友推荐的准确率。快速准确的社交网络朋友推荐算法不仅能够为社交网络用户推荐潜在感兴趣的朋友,还能够应用于其它领域的服务中。本文第三部分将提出的社交网络朋友推荐算法应用于电子商务领域的社会推荐和教育领域的社会学习之中。在电子商务领域的应用中,本文提出融合社会型社交网络朋友推荐算法的社会推荐算法,以提高传统电子商务中项目推荐的准确率。在教育领域的应用中,本文提出融合信息型社交网络服务的社会学习平台,并给出社会学习平台的系统架构设计。特别地,通过扩展信息型社交网络朋友推荐算法,本文提出社会学习平台中核心服务层的实现算法,以为社会学习平台的学习者提供学习资源和学习伙伴的推荐服务,从而提高学习者的学习效率和学习积极性。