随着Web2.0技术的发展,社交网络已成为人们交往和获取信息的重要渠道之一。这意味着社交网络中的用户信息数据和用户发布的数据快速地增长。同时,移动智能终端技术的发展使得用户可以随时随地发布文字、图片、音乐等多媒体信息。面对数据的海量性问题,研究如何对用户进行个性化推荐,使用户得以被动地获取感兴趣的图片＼商品等信息,和使有价值的信息被充分传播利用都具有重要的理论价值和现实意义。设计推荐系统主要解决三个问题：1)如何定义推荐问题；2)如何获得相似性；3)采用何种策略向用户推荐。这三个问题相互影响、相互作用,使得推荐系统的框架设计极其复杂。致力于解决以上三方面问题,构建合理的推荐系统框架,本文的主要研究工作如下：(1)将推荐问题看作学习问题,推荐的核心就是尽可能精准地获取用户兴趣模型,设计推荐系统中已解决的问题有：1)用户兴趣建模问题,将用户对某条目感兴趣的原因归结于两类：a)对条目内容感兴趣；b)由于用户朋友对该条目感兴趣而对其感兴趣。并基于此假设构建话题-联系人矩阵记录用户偏好行为；2)大众标签与话题的对应问题,社交网络中的大众标签具有自由性和多样性,文章利用基于WordNet的相似度计算方法,分析标签与话题的语义距离,以解决大众个性标签到统一的话题之间的对应问题；3)将用户推荐与搜索功能结合,关键字搜索返回的初次结果,根据用户的偏好信息排序再返回给用户,能够提高用户满意度。(2)将推荐问题看作预测问题,学习用户行为历史。日常生活中,用户的兴趣并不是一成不变,兴趣的变化能反映到用户行为变化,因此,可以从用户的行为中“观察”兴趣变化的蛛丝马迹。以移动社交网络中用户的签到服务举例,只能观察到用户的签到行为发生了,以及在某时间签到,在某位置签到。而签到的原因多种多样,例如社会热点事件的发生,朋友的影响,遇到美食心情很好,遇到麻烦事心情不好。人们的心情就像天气一样复杂多变。因此,引入隐马尔可夫模型来为不确定的原因和看得见的行为进行一个概率映射,基于此分析用户签到历史,并为用户下一时刻的行为进行预测并推荐相关位置。本文基于上述研究工作,分别采用C#语言和Matlab工具,设计与实现了基于贝叶斯模型的社交网络推荐系统和基于隐马尔可夫的推荐系统。通过在4个社交网络数据集上进行的测试评估,结果表示提出的系统能在一定程度上解决推荐问题,提高用户满意度。