推荐系统是帮助用户发现内容、克服信息过载问题的有力工具,社交网络是发布、传播、接受信息的重要平台,作为当前学术界和工业界的研究热点,二者的结合是大势所趋。本文以社交网络中的关注对象推荐为任务,对推荐系统和社交网络的特性进行了深入研究,主要工作如下：1推荐系统的方法论综述：对推荐系统研究中现有的理论和方法进行了分类总结,包括内容过滤、协同过滤和社会化过滤等,并着重分析了评分预测问题中的主流算法。2推荐算法结合排序学习：评分预测是推荐系统的一个基本问题,但实际应用场景中更普遍的形式是TopN推荐。基于评分预测问题中的多种建模方法,本文尝试将排序学习应用于这些模型,实验结果表明推荐性能显著优于传统评分模型。3社交网络中的用户兴趣建模：社交网络中的用户拥有众多的异质信息,如内容信息、社交信息等,本文尝试利用各种信息对用户兴趣进行建模,并通过实验分析了不同信息对反映用户兴趣的贡献度。4社交网络中的用户行为模式分析与建模：推荐系统是通过分析用户的历史行为推测用户兴趣,因此大部分推荐系统的研究都集中于对用户兴趣进行建模,针对用户本身行为模式的建模研究相对较少。针对这一问题,本文提出了3类从不同角度对用户行为进行分析建模的方式,并尝试与推荐模型结合,实验结果表明融合行为模式可以有效地提高推荐系统的精度。