随着电子商务及移动商务的发展,推荐系统在研究领域和实践领域都显得越来越重要。传统的推荐系统研究者利用用户的打分列表作为推荐的基础,而忽略了能够影响用户偏好的其他因素。然而,实际上用户偏好以及他们的购买决策同时取决于他们自身的经验以及社交信息。以前也有推荐系统研究者在推断用户偏好和打分的时候考虑了社交信息,但是他们只集中在用户的行为(这会带来用户隐私问题)或利用用户之间的距离去计算用户之间的影响力。此项研究着重考察如何充分利用社交信息做更为精准的推荐服务。社交信息指的是从社交环境中获取的信息,不仅包括从亲密的朋友处得来的信息,也包括从大众点评中所获取的信息。根据从社会学,行为学以及推荐系统的研究成果所获得的理论基础,我们提出三种新型的推荐系统方法。在此项研究中的实验比较了现存的推荐方法(包括传统经典推荐算法,近期经典推荐算法以及以前的社交推荐算法),和此研究中所提出的三种新型推荐算法(包括考虑到从用户朋友网络中挖掘出的社交信息的推荐算法,考虑到从大众点评中挖掘出的社交信息的推荐算法,以及考虑到从用户朋友网络和大众点评中挖掘出的社交信息的推荐算法)的推荐准确性。实验结果表明此项研究中新提出的三项推荐算法能够比之前的推荐算法在准确性,覆盖率以及F-measure等指标中都有更好的表现。特别是当用户没有提供任何打分的情境下,此三种推荐算法是不可取代的,因为其它现存的推荐方法在这种情境下是完全无法工作的。我们也发现从用户朋友网络挖掘社交信息比从大众点评挖掘社交信息更能帮助推荐系统准确的预测用户偏好和用户打分。