随着信息技术的高速发展和信息资源的迅速膨胀,人们从海量数据中找到自己真正感兴趣的信息变得越来越困难,这就是著名的“信息过载问题”。推荐系统一直被认为是解决信息过载问题的重要技术,它能够根据用户的历史记录预测用户的偏好,从海量数据中找出用户感兴趣的信息。推荐系统已经成功应用于电子商务、个性化广告推荐、个性化网络服务等领域。协同过滤推荐算法是现在最为成功的推荐算法,但该算法面临着严重的数据稀疏性问题。现有的方法主要是通过提高评分矩阵的密度或者修正推荐的关键过程来缓解数据稀疏性问题对推荐算法的不利影响,但这两种方法都没有从本质上解决数据稀疏性问题。本文从增加信息类别的角度出发,把社交网络中用户的好友关系、标签信息以及项目的近邻关系加入推荐模型,用于缓解数据稀疏性问题对推荐算法的不利影响。在结合社交网络缓解数据稀疏性问题的过程中,本文首先阐述了用户的评分数据存在的严重的数据稀疏性问题；其次,分析了社交网络中用户的好友关系、标签信息在缓解数据稀疏性问题中的作用；再次,分析了项目的近邻关系对数据稀疏性问题的影响；最后,通过实验验证了社交网络中用户的好友关系、标签信息以及项目的近邻关系可以缓解数据稀疏性问题,提高推荐算法的性能。