用戶推薦和話題推薦是SNS的重要課題，效果的好壞是社交網站的區別指標之一，直接關系到用戶體驗，甚至是SNS的活力。國內的一些社交網站，比如新浪微博等，在功能上和UI上做的已經達到國際一流，然而，在推薦算法方面，仍有相當距離。推薦算法屬於SNS的內功，對於SNS的用戶體驗的作用，和搜索算法對搜索網站的用戶體驗的作用相似。改進推薦算法，是社交網站的下一步方向之一。本文用圖示法非常簡單形象的描述了兩種話題推薦法，兩種用戶推薦法，一種用戶間相關度計算法。其中有些方法是非死不可用的。
用戶推薦和話題推薦對社交網絡的重要性，來自與社交網絡的基本價值定位：讓讀者感到有趣，作者感到被欣賞和贊同。這兩者間的一個重要紐帶是用戶推薦和帖子推薦。如果推薦系統除了會推薦名人以外，別的基本不靠譜，那么，由於名人不是有趣的充分條件，別的又不靠譜，這樣的推薦系統太過單薄。如此，漸漸的，其中的用戶關系體系可能會變得僵硬。讀者感到無趣，作者感到孤冷，社交網絡也枯萎。當然，社會是多層次的，確實存在着名人和鐵桿粉絲這么一種現象，但這些人只占很小的一部分。多數人上社交網站，是要解決自己的問題，那就是信息獲取與推廣交流。
作者認為，社交網絡還有更高一層的意義，第一，可以比做是社會神經網絡，是集體智慧（Collective Intelligence）框架工具。第二，可以比做是是思想碰撞，增值，成長與結果的大型鏈式核反應堆。我們知道，在一個神經網絡中，非常重要的一個功能就是聯想。社交網絡也是如此。從計算機實施的角度來說，聯想就是相關性發掘，以及根據發掘結果進行推薦，本文介紹的算法，處處體現着聯想的特征。推薦不好，會導致無趣和冷漠，或者無聊與低俗泛濫->最終結果仍然是無趣和冷漠。
我假定一個user case, 某大學研究生A，研究中西文化差異問題，有一天他讀到一篇有關高場景文化和低場景文化的文章，然后發了一篇帖子。新浪微博（國內的都一樣）會對此視而不見，繼續為他推薦姚晨和"鄭伊健結婚前任祝福"。但是，FB會以此為線索，為他推薦有類似興趣的人B。這樣，他就會在FB上和此人結成一定的關系，並經經常交流。而這兩個人都從FB獲得了好處。FB獲得了流量。
這里面用到了FB的相關性算法（如圖5所示）。它的基本思想是，分析每個人的各種屬性，比如，標簽，愛好，高頻詞等等，然后，他和另一個人的相關性，是由這些詞的重疊程度，重疊越多則相關性越大，以及這些詞在用戶中總的分布概率所決定的，這個分布概率越低，則相關性越大。為了說明后一點，我還舉剛才那個例子，假如，A發的帖子是關於姚晨，盡管B也對姚晨感興趣，但用戶中對姚感興趣的很多，所以，A和B，因為這點重疊所貢獻的相關性就很小。假如，A的帖子是關於"High context culture vs Low context culture"，對這個感興趣的用戶的比例很低，那么，A和B因為這項重疊所具有的相關性就很大。
插圖1和插圖2描述了非死不可的話題推薦的兩個方法。基本上這是一種相關搜索法。在話題推薦方法2中，"相關話題"的含義是，比如，籃球，CBA，NBA，喬丹，等等，這些都是相關話題。其中"Sort SX for all X"的含義，是對所有的X的SX進行排序，取其前幾名作為待推薦話題，以下"Sort..."多次出現，其含義相似。
插圖3中描述的用戶推薦方法1，是最簡單的用戶推薦方法，估計新浪微博用的基本上就是這種方法或者其某種變形，比如，把所有的關注強度按照1來近似。實際上，A對I的關注強度，應該和A對I的貼子的轉發/評論頻率有關的。
插圖4中描述的用戶推薦方法2，是一種相關法。如果仔細分析可以看出，插圖3中的用戶推薦方法1是插圖1中的話題推薦方法1的變形，插圖4中的用戶推薦方法2是插圖2中的話題推薦方法2的變形。
==========================
==========================
插圖5是Facebook的計算用戶相關度的方法。這也可以用於用戶推薦，只需要找出相關度最大的前幾名用戶X即可。
插圖5補充說明：
I和J相同時，相關度Cor(I,J)=1/P(i)，含義是如果兩個人具有一個共同的興趣，而該興趣越稀有，那么興趣I對相關度貢獻就高。其中“AtoI強度", “XtoJ強度", 簡單一點，可以直接用1代入。其中的"項目"，可以是社交網絡中的任何對象，比如，興趣愛好，話題，學校，工作單位，Tag（標簽）,等等。甚至也可以是社交網絡中的用戶。如果把用戶也包括在項目中進行求和的話，則可以得到最全面的用戶間相關度評價，這時候，“AtoI強度"應該是和A對I的貼子的轉發/評論頻率有關的。