社交网站的快速发展深刻影响到了人们的信息共享和交流方式,而作为开放式在线的社交平台,社交网站的成功基本取决于用户的交互程度和用户黏性。随着用户规模的暴发性增长,推荐准确的潜在好友对社交网站运营方的意义越来越大。本文首先探讨了现行的几种好友推荐机制,针对传统推荐算法未考虑推荐过程中的信任问题,设计了一种社交网络中的信任模型,以度量用户信誉度及用户间的信任关系。之后将信誉度小于某一阈值的用户过滤,并对剩余的可信用户划分子群、依据用户间话题相似度生成最终推荐列表。旨在向用户推荐其感兴趣的潜在好友,帮助用户扩大朋友圈子,进而提高用户粘性。本文主要工作如下：第一,在进行用户间信任强度建模时,综合考虑了社交网络中的结构化信息以及用户之间的交互强度、关注话题相似度等多个因素,构建了包含三类节点的异构网络图,在其上提出了一种多因素综合考虑的信任模型。针对三种信任度如何加权的问题,首先从信任关系的定义出发,给出一个优化目标方程,再根据少量已标注数据对方程中的参数进行求解,最终求得参数值。第二,在进行用户的主题识别时,考虑到微博文本短、有噪音等实际特点,利用微博内容上的标签(hashtag),先将用户内类似的微博聚集起来,通过增加一个文档中的内容,增强词组之间的共现关系,再利用主题模型进行识别。第三,在进行不可信用户识别时,引入信誉度的概念,针对大规模社交网络中数据标注较为困难的特点,利用上一步中的信任关系模型,从少量已标注数据出发,对未标注的节点计算信誉度。此处传播的是信誉度,未采用传统的机器学习算法进行分类判别,而是对于每个节点更新其信誉度,最终超过0的判别为可信,低于0的判别为不可信。第四,在进行基于信任模型的社区划分算法时,首先参考PGP算法里的推荐者信任模型,在直接信任的基础上考虑推荐信任,提出一种基于信任传播的社区划分算法。还利用了MapReduce思想对算法进行并行化设计,使得算法具有较好的可扩展性。