互联网技术以及电子商务网站正在蒸蒸日上地发展着。近几年来,服饰商品在网上的销售量和销售额度得到了大幅的增长。但是在线购物网站带给人们的不仅仅是购物方便,同时也让用户体会到了信息量过载的负担。与此同时用户在线购买服饰商品时也面临着个性化服务不足的缺点。面对海量的在线购物资源,推荐系统的产生正是协助用户以及在线购物公司的运营商缓解信息量过载带来的问题。协同过滤算法是众多推荐算法中的一种,也是迄今为止备受关注的推荐技术之一,然而,传统的协同过滤推荐算法在如今海量的网络信息面前面临着很多挑战,例如数据的稀疏性、用户相似度难以度量、可扩展性差、“冷启动”等。这些都影响了推荐系统的质量。针对这些问题,本文对该算法进行了相应的改进以及补充,主要工作如下：第一,实现了面向用户的蘑菇街数据爬虫,对指定的用户,采集到该用户的所有商品分享记录以及用户的关注列表,作为服饰推荐的数据源。第二,研究基于消费者的社交关系信息数据的用户相似度模型。对于用户分享的服饰商品信息,基于本文和图像分类技术,本论文分别从用户分享的服饰商品的文本内容和图像视觉内容两方面来构建用户之间的相似度模型；对于用户的社交关系网数据,考虑了用户之间的相互关注信息,并通过用户相似度函数融合了服饰商品文本内容和视觉内容以及用户的社交关系网信息。第三,研究融合用户社交关系数据的相似度模型和基于用户-项目评分矩阵数据的用户相似度模型,提出了融合社交网络信息的协同过滤推荐算法。通过实验表明,融合了用户社交网络信息,数据的稀疏性得到了缓解而且最后的推荐商品更能让人满意。第四,实现了在线的服饰推荐系统。用户可以登陆进入系统后查阅数据集中所有用户的服饰分享信息、用户之间的关注信息以及对推荐结果进行打分。