随着互联网技术的迅速发展,社交网络的交友模式越来越受到人们的喜爱。为了让用户交到志同道合的朋友,社交平台往往以推荐的形式为用户提供交友渠道。目前的好友推荐模式只注重网络结构或用户兴趣,相对单一。又由于网络用户的特征信息少,关系复杂,导致网络平台对用户的信息筛选不完整,推荐准确率低。所以为了完善好友推荐技术,本文进行了深入的分析与研究。针对如何挖掘用户的潜在特征、互动关系、链接信息,提高好友推荐的精准度等问题。本文以用户行为的研究为出发点,对面向用户的好友推荐算法进行了以下两方面的探讨:1、使用机器学习XGBoost模型对用户行为特征分类,提出了一种融合用户特征的XGBoost分类预测模型。通过采集并量化如用户社交、个人档案等信息,构建一个新的用户特征模型。通过XGBoost反复迭代得到用户特征重要性系数,对推荐过程中用户间的特征权重计算方法做了一定优化,从而提高推荐预测的准确性。对比传统的机器学习算法准确性高,速度更快。2、将社区发现模式应用到好友推荐技术中,提出了一种基于社区发现的好友推荐算法。首先使用深度学习Doc2Vec进行用户文本挖掘,结合用户特征构建用户综合主题相似模型,从而引入用户综合相似性的模块度函数生成用户社区,改进了传统的基于模块度的社区发现算法。通过定位目标用户所在的社区,再次计算用户间的相似性和链接强度关系,可实现为用户推荐相似度最高的好友。该方法对比传统的推荐方式,在准确度上有一定的提高。本文通过对机器学习算法的应用将用户特征分类,使用深度学习模型进行文本处理,构建了用户综合主题相似模型,结合社区发现思想改进推荐算法,使用微博数据实验,成功实现用户好友推荐。