随着互联网技术的发展，推荐引擎作为一种信息发现技术，越来越受到人们的关注。在社交网络中的推荐技术也引起人们的关注，主要的原因是Web2.0技术的发展使得信息的创建和分享越来越容易，信息极度爆炸，而信息发现变得越来越难。在社交网络中，相对于传统的目标明确的搜索，推荐技术是更符合人类习惯的信息发现方式。传统的推荐技术主要有基于协同过滤的推荐。在社交网络中，协同过滤的方法已经不能用来完全刻画复杂的社交网络关系。所以要解决社交网络的推荐问题必须要解决两个问题，首先是用户在社交网络中的行为模型，这个问题是一个社会学问题，即有哪些因素会影响用户的行为，从而提出一个符合现实的用户行为模型，该模型需要反映社交网络中各个因素的相互影响关系和对用户行为的影响。其次是针对建立的行为模型提出一个好的推荐算法，该算法需要反映上述的用户行为模型，并且用来挖掘已有的数据，从而得出一个更为精确的推荐结果。针对以上问题，本文首先通过分析社交网络的特点和社交网络中用户行为的特征，提出了一种既考虑了社交网络中的社会关系和用户个性化的喜好，同时包括了用户在浏览社交网络时实时动态的情境因素的用户行为模型。然后，结合已有的推荐方法，将该行为模型公式化，提出了一个基于用户情境的三维的社交网络推荐算法，通过计算动态情境下用户对信息内容的喜好度和信息发送者对用户的影响，最终得到用户对该信息采纳的可能性。基于上述提出的方法，本文对基于情境的社交网络推荐方法进行了设计与实现。最后，使用已爬取的新浪微博数据，对本文提出的方法和设计实现进行了实验验证和分析。实验结果表明，本文的解决方案能在社交网络特定情境下，更精确地给用户推荐更符合用户喜好的内容。