随着社交网的广泛流行，用户的数量也急剧增加，针对社交网络用户难以在海量用户环境中快速发现其可能感兴趣的潜在好友的问题，各种推荐算法应运而生，协同过滤算法便是其中最为成功的思想。然而目前的协同过滤算法普遍存在数据稀疏性和推荐精度低等问题，为此提出一种基于动态K-means聚类双边兴趣协同过滤好友推荐算法。该算法结合动态K-means算法对用户进行聚类以降低稀疏性，同时提出相似度可信值的概念调整相似度计算方法以提高相似度精度；利用调整后的相似度分别从用户的吸引与偏好两方面计算近邻用户集，综合考虑这两方面近邻对当前用户的择友影响来生成推荐列表。实验证明，相较于基于用户的协同过滤算法，该算法能有效提高