对于视频网站的海量数据,没有明确目标的用户如何找到他们想看的视频呢?一般情况下,借助于搜索和传统推荐,但这存在一些问题：关键字的文本模型与用户兴趣的不相适应性,弱相关的推荐等；大量检索结果的排名无序性；传统推荐不能展现出用户真正感兴趣的视频等。推荐系统通过获取用户的网站活动,提取用户相应的行为,构建兴趣模型,预测用户将来的兴趣并做出相关推荐。但随着社交网络的普及,如何构造基于社交网络的个性化推荐系统,进行有效的个性化推荐呢?针对这种情况,本论文对社交网络的推荐算法进行了研究,并构造算法去解决数据稀疏性和冷启动等方面的一些难题。文章在构建社交网络图模型中,通过视频推荐算法的改进,以完善视频推荐系统。本文的主要完成的工作有：1、分析归纳了常见的个性化推荐的算法和相似度算法,研究总结基于用户兴趣的个性化推荐系统的构成和评测,对国内外的研究现状做了细致归纳,对目前个性化推荐的不足进行阐述。2、提出了一种改进的反馈模型应用于个性化推荐系统的用户兴趣模型的设计中。并在用户兴趣模型的构建中,从传统心理学的角度作出用户长期兴趣与短期兴趣的转化关系的数学解释,对模型的进化做了伪代码的描述。3、提出了构造社交网络的图模型,并提出VideoRank算法以适应视频推荐系统,提高了视频推荐的相关性,并对系统从用户信息提取和处理,推荐排名、反馈校验等各个过程的注意问题进行说明。4、改进了矩阵分解算法应用于基于项目协同过滤的推荐中,从推荐多样性和新颖性方面做了有效的提升。并从主题推荐方面做了推荐准确度的调整和消除推荐结果的稀疏性。并对推荐结果做线性融合,以适应于系统应用。5、改进了攻击检测模型以应用于社会化网络的个性化推荐系统构建工程中,并对社交信任的攻击做了分析,在工程设计中提出了若干有效的建议和经验。最后在线上环境中,进行了点击模型的实验测试,经验证采用本文的原型系统,运行良好,证实可以提高2倍以上点击率和回访率,降低了推荐结果的过度拟合,适用于大规模的视频网站的社会化推荐。