随着互联网技术的快速发展,社交网络日渐成为人们日常生活中的重要组成部分并给人们带来了极大的便利。社交网络也以其庞大的用户基础、敏捷、开放式的信息传播特性受到众多商家的青睐。然而,现有的社交网络平台中缺乏正规友好的商品推荐机制和垃圾信息的甄别机制,从而导致社交网络中充斥着形形色色的广告信息,这些信息的背后不乏虚假伪劣商品。社交网络中的这些问题不仅严重影响平台的秩序而且也占用大量平台空间,这在带给用户极差体验感的同时,也造成了恶劣的影响。因此,为解决以上问题,本文提出了一种基于社交网络垃圾信息的过滤及推荐技术研究。本文的研究内容包含了两部分,第一部分,针对社交网络中的垃圾信息问题,考虑到机器学习理论与技术更为成熟且有着正确率高、成本低的优点,本文重点研究了基于机器学习的垃圾信息过滤技术,在对传统分类算法进行比较与分析的基础上最终选择了SVM分类算法作为本文的基础算法。但是传统SVM分类算法存在训练时间长且适应性不好等问题,因此,本文提出了一种基于增量学习的改进SVM算法。该改进算法通过在传统的SVM算法增量学习过程中,引入衰减因子对SV集进行处理来实现,相比较于传统的SVM增量学习算法,改进的SVM算法在保证准确率的同时还缩短了学习时间。实验结果表明改进的SVM算法相比较于传统的SVM算法,在垃圾信息过滤中的效果更好。第二部分,本文通过对现有的推荐算法进行研究,并结合社交网络中的实际需求,本文提出了一种基于社交网络的混合推荐算法。该算法在其商品推荐功能中充分考虑了用户在社交网络中的行为信息和关系网,同时融合了基于用户的协同过滤算法。首先,在用户评分矩阵的基础上,使用基于用户的协同过滤算法对商品进行评分预测;接着,对社交网络结构进行分析,并利用随机漫步算法在用户的直接关注好友和间接关注好友中对商品进行评分预测;最后,对两种预测的评分进行加权方式的融合得到最终的预测评分。实验结果表明,本文提出的算法可以有效的提高推荐算法的准确率。