进入21世纪以来，各类网站社会性网络化的倾向明显，越来越多的网站集购物、交友、聊天、论坛和博客于一体，为用户提供全方位的服务。作为个性化服务的一种方式，个性化推荐系统能够向用户推荐其感兴趣的信息，为用户的决策提供参考，可以较大地减少用户获得所需要信息的代价。目前推荐系统中广泛采用的协同过滤推荐算法存在着许多难以解决的问题，如数据稀疏性问题、冷启动问题、可扩展性不高问题等。在社会性网络环境下，一些学者将社会信任机制引入传统的协同过滤推荐系统中，使得这些基于信任度的推荐系统在一定程度上改进了以上存在的问题。然而，由于用户之间的信任度难以准确描述，很多情况下，用户信任度对推荐所起的作用甚至还不如传统方法所采用的用户相似度。还有学者提出了将传统的协同过滤推荐和基于信任度的相结合的方法，但是，这些研究均忽略了用户群体性特征对推荐的影响。以如何提高推荐效果以及用户对推荐系统的满意度为主线，本文对社会性网络环境下个性化推荐系统的若干关键问题进行了有益的探索和研究。首先，针对目前现有推荐算法的不足，本文利用社会网络分析方法对社会性网络中的用户群体关系进行挖掘，提出了一种全新的推荐模型Cliqueswalk，实验表明，新的算法能够大大缩小目标评分信息的查找范围，推荐效率明显优于已有的协同过滤推荐算法、基于信任度的推荐算法以及它们的混合算法。其次，考虑到社会性网络中不同用户所起的作用不同，运用社会性网络分析方法和Web挖掘手段，设计了权威用户（意见领袖）查找算法，以及相应的权威用户推荐算法，不仅提高了推荐效果，而且将权威用户的推荐和普通用户的推荐分列开来，可以带来更好的用户体验。最后，针对社会性网络的一种重要的服务—博客系统，设计了基于博客的多兴趣信任度推荐算法。算法根据不同类型的博客文章把总的信任评分为多方面的信任评分，以便更全面地衡量用户的兴趣和偏好，并在此基础上将协同过滤推荐与基于信任度的推荐相结合的方法引入多兴趣的推荐中，实验结果表明，新的算法不仅对普通用户取得了较好的推荐效果，而且大大提高了冷启动用户推荐效果。