社交网络已成为在线应用的常态，被深入整合到人们的日常生活，并对人们的行事决策产生重要影响。好友推荐是社交网络服务的一项重要功能，其对提升社交用户的活跃度和增强社交网络对用户的黏度具有积极作用。但社交网络规模的不断扩大、用户数据的极度稀疏等使好友推荐性能受到极大挑战。该问题的解决对深度发掘社交网络的内在价值、构建基于社交网络的顶层应用等具有重要意义。　　本文基于社交网络理论研究及现有好友推荐方法的归纳分析，针对数据稀疏性对好友推荐性能的影响，深入探析了随机游走策略在社交网络好友推荐应用中的有效性及其可改进空间。进而，从基于不同用户间的社交亲密度差异优化转移概率矩阵、整合反向社交影响力、开采用户多元信息构建贝叶斯推理模型等角度与随机游走策略深度融合，分别提出了新的有效的好友推荐方法，提升了好友推荐的准确度。本文的主要研究内容与贡献如下：　　（1）鉴于用户间社交亲密度差异对好友推荐具有重要影响，提出了一种频繁项挖掘和随机游走策略相结合的推荐算法（FP-RWR），引入频繁项挖掘方法来快速计算社交用户间的社交亲密度，优化转移概率矩阵并快速修剪推荐目标集合，提升了推荐有效性和计算性能。　　（2）针对随机游走策略的正向传播计算机制，提出了一种融合局部反向搜索的随机游走推荐算法（IRRWR），充分兼顾了社交用户间显式的正向影响力和隐式的反向影响力，一方面促进了推荐计算快速收敛，一方面充分结合正向搜索与限定步长的局部反向搜索提供了更全面的好友推荐建议。　　（3）由于随机游走策略并未兼容社交用户属性信息，提出了一种融合贝叶斯推理和随机游走的好友推荐方法（BN-IRRWR），其既基于用户属性建立贝叶斯推理模型开展好友关系推断，又基于图模型进行随机游走搜索，充分开采图结构信息和用户属性信息来协同决策推荐，建立了好友推荐的新模式，强化了推荐证据。　　针对上述各推荐方法，本文既提供了详细的推荐模型和理论分析，又在DBLP、Facebook、Epinions等多个真实数据集上开展了密集性实验，并与经典推荐算法进行了对比分析，充分验证了建议方法的有效性。