社交网络平台的发展方便了人们的交流,人们足不出户通过虚拟网络即可获得相应的信息。大量用户通过社交平台发布信息进行交流,构成了复杂的社交网络。随着社交网络中用户数量的增多,根据用户输入信息准确地定位到社交网络中潜在用户的难度随之增大,人脉搜索和推荐的准确率也急剧下降。为了提高人脉搜索和推荐的准确率,本文结合用户内容及网络拓扑结构等因素对人脉搜索算法和人脉推荐算法进行研究。最后实现了个性化的人脉搜索推荐系统,为用户提供搜索和推荐服务。论文研究主要分为三部分,具体研究内容如下:(1)基于Doc2Vec和卷积神经网络的人脉搜索算法研究。针对社交网络中无法准确查找到用户的问题,本研究基于Doc2Vec模型和卷积神经网络构建用户特征信息模型,以深入挖掘用户的信息并进行向量化表示。将用户特征信息模型与Solr原有排序算法相融合,对检索结果进行二次排序,以满足目标用户对于潜在用户查找的需求。实验表明,基于Doc2Vec模型和卷积神经网络构建的人脉搜索算法较单一的Doc2Vec模型构建的搜索算法及Solr搜索算法在Mean Average Precision(MAP)上分别提高了15.3%和8.3%,在Recall上分别提高了7.9%和4.3%。(2)基于加权LeaderRank的人脉推荐算法研究。针对社交网络用户数量增多,人脉推荐准确率低的问题,本研究引入链入链出相关度、内容相关度和时间衰减度,以加权LeaderRank算法为基础提出了一种人脉推荐算法。该算法结合GloVe模型、余弦相似度计算方法和牛顿冷却定律,改善加权LeaderRank算法的不足。实验结果表明,本文所提出的算法相比User-CF算法和User-Rank算法在精确度上都有相应的提高。其中人脉推荐算法相比加权LeaderRank算法在精确率上提高了7.8%,在点击率上提高了6.73%,在NDCG上提高了4.75%,有效地改善了推荐的质量。(3)人脉搜索推荐系统实现。综合上述提到的搜索算法和推荐算法,结合当前流行的SMM(SpringBoot+MyBatis+MySQL)框架以及CSS、JS等技术,设计个性化的人脉搜索推荐系统,为用户提供一个简洁明了的可视化界面,以更好地服务用户,为用户拓宽人脉提供便利。