社交网络上的人物推荐是一个非常具有现实意义的课题。特别在今天,各种社交网络应用层出不穷,人物推荐有效地帮助用户解决信息筛选问题,提高了应用的用户黏性。然而以往的推荐系统研究多聚焦在商品、电影、音乐推荐上,在社会网络中,为商品推荐而发展的方法未必是适用的,人物推荐有其独特的一面,研究各种在线社交网络上的人物推荐是非常有价值的。本文认为人物推荐可以分为两类,一类是以重新发现线下的社会关系为目的强关系推荐,一类是发现线上用户可能会感兴趣的新的“朋友”为目的的弱关系推荐。本文的研究工作将围绕弱关系推荐展开,介绍弱关系的界定,讨论弱关系推荐的意义与不同之处,评价已有的推荐方法并给出自己的思路、实验设计与实验结果。介于以往的人物推荐并没区分强弱关系,本文首先根据先前调研工作将已有的人物推荐方法分类,从中选取8种常见的推荐策略,在不同的数据集上对它们的弱关系推荐的效果进行对比,分析弱关系推荐效果好的算法的特点。在对比分析的基础上,本文在论文合作数据集上就合作者推荐这一具体的问题,提出了结合社区划分与Meta-Path弱关系推荐算法,该算法利用社区划分给用户寻找相似用户,从而扩展用户特征,实验证明该算法在合作者推荐上弱关系挖掘能力良好。社会学中的研究证明弱关系往往能够带来更加多样化的信息,因此本文最后使用一种混合策略将两种推荐算法的结果组合来提高微博人物推荐的多样性,具体地讲,将结合社区划分与Meta-Path的推荐算法与基于特征的矩阵分解方法混合,实验结果验证了面向弱关系的推荐方法在增强多样性方面的有效性。