本文聚焦于时下发展迅速的社交网络研究,针对大数据时代下社交网络研究的几个重要问题开展论文研究工作。社交网络是近年来最为流行和用户量最大的互联网应用,诸如国外的Facebook、Twitter和国内的新浪微博、微信朋友圈等,都拥有着亿级乃至数十亿级的用户群体,并且社交网络积累了海量的用户行为数据,这些人们通过社交网络的交流、分享所产生的行为数据对用户行为、信息传播、复杂网络、推荐系统等等领域的研究都有着重要的意义,涵盖了从管理学、社会科学到计算机科学技术的研究范围。本文立足于新浪微博的用户数据,针对大数据背景下带来的长尾推荐、数据稀疏性、数据维度灾难等问题开展研究工作。在社交网络数据中,幂律分布是数据的基本规律,幂律分布的长尾部分数据有明显的稀疏性,长尾推荐一直是推荐系统的挑战,而冷启动、数据稀疏和覆盖率这些问题也是推荐系统的重要研究内容。本文通过分析数据幂律分布的特性,在研究社交网络个性化推荐方法的基础上,结合社交网络用户行为数据反映出来的幂律分布特性,通过极大似然估计计算数据幂律分布的标度值。结合幂律特性改进了相似度计算方法,提出了一种基于幂律特性的混合推荐方法PowerLawCF(Collaboration Filter)。使用新浪微博的用户签到数据进行实验结果分析后,PowerLawCF算法的推荐效果有显著提升,提高了对于长尾推荐的效果,对推荐系统的数据稀疏性和冷启动问题有较好的解决。随着大数据时代的到来,数据维度灾难问题越来越显著,局部敏感哈希(Locality-Sensitive Hashing,LSH)在近年来成为研究者们关注的热点。文章通过对局部敏感哈希在KNN搜索计算上的高效表现,针对社交网络推荐构建合适的哈希函数族,并基于哈希结果进行用户分组,构建基于局部敏感哈希的个性化推荐方法,并通过数据实证分析证明推荐方法具有较好的推荐效果。本文通过对社交网络幂律特性、长尾推荐方法以及局部敏感哈希的应用研究,较好的解决了社交网络个性化推荐中的长尾推荐、数据稀疏性以及数据维度灾难问题,研究具有一定的理论和应用价值。