伴随着互联网技术的飞速发展,各种社交网站和应用层出不穷,使得人们的社交和各种信息需求被引导和释放。然而社交网站用户数量和信息内容激增使得普通人在拓展社交圈和获取有效资源方面存在困难,因此社交网络推荐是一个有着实际的应用意义的,热门的研究领域。目前的研究存在一些不足,比如好友推荐的常见指标在数据稀疏时效果不佳,内容推荐的常用方法忽略网络结构关系,限制了推荐结果的范围等。但社交网站中有大量的用户、资源节点和复杂的网络关系,因此本文综合考虑社交网络中用户、资源间的各种关系,采用基于相似性的链路预测方法,并对现有链路预测方法中的相似性指标进行改进,最终实现社交网络的相关推荐,包括用户推荐和资源推荐。本文的研究内容可以概括为以下几点:(1)梳理社交网络推荐领域、链路预测的理论和已有方法,讨论其适用范围和优缺点;(2)分析社交网络的多维度特征,从节点和关系两个角度对社交网络进行刻画,重点分析用户—用户、用户—资源、资源—资源各种维度的关系,为链路预测的相似性计算做基础;(3)根据社交网络的特征,对链路预测中已有的相似性指标进行适当改进,使新的方法更加适合社交网络内容的推荐。本文所提出的方法在内容型社交网站—豆瓣网数据集上得以实现,实验从用户推荐和资源推荐两个角度展开,并设置了不同的对照组,从准确率、召回率和F1-measure值三个方面对实验结果进行衡量。结果表明,该算法在准确率、召回率、F1-measure值上均具有较好效果。