随着科学技术的发展和信息时代的来临，信息呈现爆炸式的增长，海量的信息使得人们无法快速地在大量数据中找到有价值的信息，导致信息过载现象产生。而推荐系统应运而生，它能够根据用户的信息和历史行为记录为用户提供推荐，能够对用户未评分的商品进行评分预测。传统的个性化推荐算法面临数据稀疏性等问题，而通过社交信息可以很好地缓解数据稀疏性问题，同时网站的社交板块和各类社交网站的兴起也使利用社交信息进行推荐成为可能。本文主要研究如何通过深入挖掘用户之间的社交关系，更准确地刻画用户的兴趣爱好，提高推荐系统性能。
　　本文首先介绍了传统推荐算法理论和方法，其次介绍了当前研究所面临的问题和挑战，以及当前一些基于社交的推荐的研究成果，然后提出了一种基于双正则项的矩阵分解算法，通过在矩阵分解的基础上加入两个正则项，分别为社交正则项和最近邻正则项，在矩阵分解的过程中施加约束，两个正则项分别约束用户的潜在特征向量和其社交好友和最近邻的潜在特征向量相似。然后利用社交信息和信任传递关系，提出了一种基于社交好友和信任传递的个性化推荐算法，把能够为用户出谋划策的人群称为用户的顾问团队，通过顾问团队的信任传递，实现了用户之间关系的传递。最后通过多个数据集验证所提出的算法的性能，实验结果表明，所提算法在预测评分准确性上优于其他算法，有效提高推荐性能，而且能够为评分数量较少的新用户提供更加准确的推荐。