随着计算机和互联网的快速发展,海量的信息增长使得个性化推荐技术广泛应用在众多领域。协同过滤推荐算法是个性化推荐技术中最为流行的,它能够根据用户的历史行为数据找到与其相似的用户或物品,然后进行评分预测和推荐。尽管协同过滤推荐算法已被成功应用到众多领域,但仍有新用户冷启动问题、数据稀疏性问题及用户兴趣变化等问题。同时,社交网络的发展变得极为迅速,短短数十年间各大社交网站遍布于网络,有效利用社交网络中的信息对最终推荐结果准确率的提升具有重要的作用。针对以上问题,本论文重点研究了新用户冷启动和数据稀疏性问题,提出了改进的K-prototypes算法和基于社交网络的协同过滤推荐算法,最后还建立了一个基于社交网络的协同过滤推荐系统。本文的主要研究内容和成果总结为以下几方面。第一,提出一种改进的K-prototypes聚类算法。针对协同过滤推荐算法中的新用户冷启动问题,提出一种改进的基于不同属性权重的K-prototypes聚类算法,将具有相近用户属性的用户聚为一类,将同一个类别中与目标用户最相近的用户推荐给目标用户,并将这些用户中的TOP-N项目推荐给目标用户。将改进的K-prototypes算法应用在GroupLens数据集,相比传统的K-prototypes算法推荐精度提升了 5%。第二,提出一种基于社交网络的协同过滤推荐算法。在社交网络中,具有相似兴趣的人具有相互联系的倾向,兴趣也可以基于社交网络进行传播。因此,本文提出了互动相似度的概念,用来描述用户之间的社交网络关系,既充分利用了用户间的社交网络关系改善推荐精度,又对数据稀疏性问题进行了改善。将本文提出的基于社交网络的协同过滤推荐算法应用在Epinions数据集上,基于社交网络的协同过滤推荐算法相比传统协同过滤推荐算法平均绝对误差MAE下降6%。第三,提出基于社交网络的协同过滤推荐系统。针对前面提出的方法,构建了一个完整的基于社交网络的协同过滤推荐系统。在该系统中,对新用户使用改进的K-prototypes聚类算法进行推荐,对老用户使用基于社交网络的协同过滤推荐算法进行推荐,对比传统的系统方法,有效提高推荐精度。