近些年来，推荐系统早已成为了我们数字化生活中不可分割的一部分。他们在包括电子商务（如Amazon亚马逊，eBay易贝易趣等），网络视频流服务（如Netflix网飞，葫芦Hulu等）在内的各式各样的互联网服务及应用中起着十分重要的作用。推荐系统中的一个关键任务就是对用户偏好进行建模然后为每位用户提供个性化的推荐服务。这些个性化推荐给用户的商品必须是用户暂时不了解却很有可能感兴趣的。目前很多推荐算法都是基于协同过滤的，这类算法倾向于将那些与用户已知的所喜欢的物品相似的商品推荐给用户。　　随着在线社交网络的出现及普及，社交推荐（基于社交网络的推荐）成为了推荐系统领域中最受欢迎的研究课题之一。社交推荐主要利用社交网络对人们的影响和选择作用来提升传统非社交推荐模型的准确度。在这类社交网络中，用户和用户之间的关系是显式的，即在社交网络中，任意一对好友之间会显式地存在一条边。除此之外，由于互联网服务的快速发展，社交媒体中越来越多样的用户关系也随之出现。举个例子，越来越多的在线服务商都开始允许具有相似兴趣爱好的用户自发地组成兴趣小组并且在小组内进行交流互动。在这类应用中，用户之间的关系属于隐式关系（无法通过社交网络中的边显式地获得），因此我们只能间接地利用这种隐式关系来提升推荐系统。　　本文主要阐述了如何通过利用显式或隐式的用户关系来提升社交媒体中的个性化推荐。我们研究了三类社交媒体中的推荐问题:1.强关系和弱关系在推荐系统中的应用;2.社交群组推荐（将兴趣小组推荐给用户）;3.交互式社交推荐。我们提出将强关系和弱关系这两个已经在社会科学中被详细研究过的概念融合进社交推荐系统来提高现有社交推荐的精确度。在社交群组推荐的问题中，我们提出通过学习用户和群组之间随时间动态变化的交互规律来增强模型的推荐性能。最后，我们采用在线学习中的“利用-探索”策略来解决交互式社交推荐问题。本文所提出的所有模型都和现有方法进行过比较并在多个真实数据集上进行过实验。