从Google浏览器的搜索引擎开始，推荐系统就给人们在互联网上进行信息咨询带来了极大便利。随着互联网应用的发展，社会化网络服务(SNS)的热潮吸引了个性化推荐的研究焦点。由于使用SNS网站和服务的人群越来越多，用户很难快速找到符合自身兴趣的信息，于是很多SNS网站开始提供个性化信息推荐服务。但由于传统推荐系统的局限性，以及SNS网站的庞大用户数，快速定位用户需求面临着很大挑战。
　　论文以上述问题为背景，进行社交网络中的用户好友推荐研究。文章开始部分对论文中涉及的关键技术进行研究和总结，主要包括个性化推荐技术、社会网络分析方法和信任度评估方法等;然后选择新浪微博平台为研究对象，并结合微博用户构成的社会网络所具有的特点，选择能反映用户兴趣的特征属性，包括用户关注列表、用户标签列表和个人描述三个属性，建立评估用户间兴趣相似度的算法模型，得到用户兴趣相似度矩阵和兴趣关系网络图;接下来通过使用重叠社区划分算法CPM，对微博用户的兴趣关系网络进行兴趣派系划分，并优化组合，构建用户兴趣紧密型社区。在兴趣社区中进行可信用户筛选时，论文参照Google搜索引擎的PageRank页面排序算法思想建立可信度评估模型，将用户可信度分为两个维度:用户属性可信因子和关注信任因子，从用户自身可信度与用户关注信任度两个角度综合评估用户的全局可信度，最终通过比较与目标用户在同一个兴趣社区中的用户可信度，选择具有高兴趣相似度、高可信度的用户生成推荐结果列表，向目标用户推荐具有较高价值的潜在好友。
　　论文针对新浪微博的开放用户数据信息，使用JAVA编程实现微博中的开放API接口获取微博用户数据集，对论文提出的基于兴趣关系的网络社区可信用户推荐模型进行验证，通过构造用户兴趣紧密型社区，并从中筛选出可信度较高的用户形成针对目标用户的推荐列表，并与传统的基于社交关系的推荐方法进行对比，以推荐列表中的用户平均兴趣相似度为算法有效性的衡量指标。实验结果显示，论文提出的推荐模型得到的推荐结果列表相比参照模型得到的推荐结果列表而言，与待推荐用户的兴趣相似度普遍更高，即论文提出的推荐模型能得到更符合用户兴趣的结果，具有较好的推荐质量。
　　为了验证本文好友推荐模型的实用价值，论文在第五章中随机选择了113位用户，并使用论文提出的好友推荐模型和传统的基于社交关系的好友推荐模型，分别为参与调查的每个用户生成一个具有5个潜在好友的推荐列表，并针对列表中的每一个潜在好友，对调查参与者进行问卷调查，对两种推荐模型的使用效果进行分析对比。问卷调查结果显示，论文提出的好友推荐模型能推荐更多的陌生用户，并具有较好的用户认可度;以兴趣相似度和可信度作为推荐理由，相比社交关系而言，具有更好的用户满意度;同时，用户更愿意添加根据兴趣和可信度得到的推荐用户为好友，而针对社交关系得到的推荐，用户更希望能有人对推荐结果进行介绍。