随着互联网的发展,信息爆炸的时代已经到来,人们往往会遭受到很多无用信息带来的困扰。个性化推荐系统的重要性逐渐凸显出来,因为它不仅可以帮人们过滤掉很多无用的信息,而且商家也可以通过虚拟营销增加他们的收入。因此它吸引了很多来自工业界和学术界人士对个性化推荐算法的研究。近年来,随着社交网络的快速发展,基于社交网络的个性化推荐算法已成为推荐领域的主要研究方向。冷启动和数据稀疏两大问题是个性化推荐算法研究中不可避免的挑战,它们会严重影响推荐算法的整体性能。在基于社交网络的个性化推荐算法研究中,人们往往将多种用户之间的社会关系加入推荐算法,减轻用户冷启动给个性化推荐带来的不良影响。然而传统方法大多使用的是用户间的显性关系,如朋友关系。实际上冷启动用户很难有足够多的显性关系供算法学习。鉴于此,本文提出了将用户间的隐性关系——专家关系用于个性化推荐,即利用冷启动用户感兴趣领域的专家来学习用户偏好,主要工作分为两部分：1)当数据集中标注了哪些是专家用户时,本文利用兴趣圈中的朋友和专家优化个性化推荐算法。兴趣圈由访问某一类别商品的用户群及他们之间的社会关系构成,不同用户访问同一类别商品表明他们对此类别具有相似兴趣。算法通过设计朋友关系和专家关系的正则化项来约束矩阵分解目标函数,提高推荐的准确度。并且在Yelp竞赛的真实数据集上做了充分的实验来验证算法效果。2)在数据集中没有给出专家用户的情况下,首先根据信息传播理论和用户评分记录提出了一种无监督的专家发现方法。然后将发现的专家对用户的影响融合到目标函数中来优化个性化推荐算法。最后在Yelp和Epinions两个数据集上做了大量的实验,验证算法对用户评分预测的准确度以及在冷启动用户上算法预测的准确度。