用户推荐和话题推荐是SNS的重要课题，效果的好坏是社交网站的区别指标之一，直接关系到用户体验，甚至是SNS的活力。国内的一些社交网站，比如新浪微博等，在功能上和UI上做的已经达到国际一流，然而，在推荐算法方面，仍有相当距离。推荐算法属于SNS的内功，对于SNS的用户体验的作用，和搜索算法对搜索网站的用户体验的作用相似。改进推荐算法，是社交网站的下一步方向之一。本文用图示法非常简单形象的描述了两种话题推荐法，两种用户推荐法，一种用户间相关度计算法。其中有些方法是非死不可用的，有些估计是新浪微博用的。
插图1和插图2描述了非死不可的话题推荐的两个方法。基本上这是一种相关搜索法。在话题推荐方法2中，"相关话题"的含义是，比如，篮球，CBA，NBA，乔丹，等等，这些都是相关话题。其中"Sort SX for all X"的含义，是对所有的X的SX进行排序，取其前几名作为待推荐话题，以下"Sort..."多次出现，其含义相似。
插图3中描述的用户推荐方法1，是最简单的用户推荐方法，估计新浪微博用的基本上就是这种方法或者其某种变形，比如，把所有的关注强度按照1来近似。实际上，A对I的关注强度，应该和A对I的贴子的转发/评论频率有关的。
插图4中描述的用户推荐方法2，是一种相关法。如果仔细分析可以看出，插图3中的用户推荐方法1是插图1中的话题推荐方法1的变形，插图4中的用户推荐方法2是插图2中的话题推荐方法2的变形。
==========================
==========================
插图5是Facebook的计算用户相关度的方法。这也可以用于用户推荐，只需要找出相关度最大的前几名用户X即可。
插图5补充说明：
I和J相同时，相关度Cor(I,J)=1/P(i)，含义是如果两个人具有一个共同的兴趣，而该兴趣越稀有，那么兴趣I对相关度贡献就高。其中“AtoI强度", “XtoJ强度", 简单一点，可以直接用1代入。其中的"项目"，可以是社交网络中的任何对象，比如，兴趣爱好，话题，学校，工作单位，Tag（标签）,等等。甚至也可以是社交网络中的用户。如果把用户也包括在项目中进行求和的话，则可以得到最全面的用户间相关度评价，这时候，“AtoI强度"应该是和A对I的贴子的转发/评论频率有关的。