好友推荐问题是个性化推荐领域中重要的研究课题,近年来受到了工业界和学术界的广泛关注。近年来,作为Web2.0技术典型应用的科研社交网络因满足了大量科研人员个性化的社交需求而得到普及。面向科研社交网络进行好友推荐不仅可以解决信息过载问题,而且可以帮助用户建立有价值的好友关系或增加用户间学习、交流和共享知识的机会。因此,考虑面向科研社交网络中用户的好友推荐问题非常具有理论和现实意义。目前,虽然学者已经展开了对好友推荐方法的广泛研究,但是多数基于普通社交网络,少有研究针对科研社交网络的情境。而且已有好友推荐方法主要依据用户和好友间的交互行为,缺乏对社交网络中社会化信息如用户相似度和好友关系的深入分析和挖掘。为此,本研究针对科研社交网络中广泛存在的社会化信息,主要从基于内容和基于矩阵分解模型两个角度提出一种混合好友推荐方法Social-PMF(Social-Probabilistic Matrix Factorization)。首先在基于内容推荐方面,本研究结合TF-IDF技术和情感分析技术全面分析用户发布博文内容的文本相似度和情感相似度,再将两种相似度依据线性策略进行融合得到用户相似度。然后在矩阵分解模型中,引入用户相似度和好友关系约束后实施矩阵分解,获得用户对候选推荐对象的预测评分并生成好友推荐列表。最后,为了验证方法的有效性,选取了科学网上的真实数据并与三种经典的推荐方法进行对比实验。实验结果表明,所提方法Social-PMF在准确率、召回率、平均准确率和平均倒数排名等四个实验评价指标上均取得了较好的推荐结果,验证了本研究所提的考虑用户相似度和社会化信息的混合好友推荐方法的可行性和有效性。