基本方案：
根据好友和跟踪对象排名

有一个想法不错，不知道为什么Twitter还没实施：在搜索时，把你跟踪的用户的内容显示在搜索结果前面。比如当你搜索“Wilco”时，搜索结果按时间排序。这真离谱，这些人你都不认识。但如果这些结果来自你认识的人呢？你会发现很多有用的东西。

目前，这一点Twitter做不到，但FF可以。FF搜索可以根据用户的社交网络进行过滤和排序。FF做到这一点不难：首先，它知道你在乎谁；其次，它可以把高级feed搜索技术应用于用户的社交网络。

看上去很美，但并非那么完美。当你搜索某些关键词时会一无所获。原因很简单：你的好友不可能通晓一切话题。这是一个数据稀缺问题：可靠的建议总是有限的。

小世界（Small Worlds）现象和趣味相投（Taste Neighbors）

为了解决数据稀缺问题，我们需要更多数据。方法之一就是纳入其它可靠的信息来源：比如那些你没有跟踪而你的好友跟踪的用户，亦即次级好友（或好友的好友）。有人可能以为来自好友的好友的建议不可靠，但根据小世界效应（又称六度分隔理论，指世界上的每个人之间都可以透过很短的社会关系链联系起来。），他们提供的信息也同样具有价值。

另一个办法就是纳入那些和你趣味相投的人。该法在垂直搜索里非常常见，其缺点是计算复杂，耗费时间。

影响者和大众

除了社交网络中的“二级好友”和趣味相投者之外，社交相关度排名还可以把影响者排在前面。在数据稀缺的情况下，这些影响者有众多跟踪者，比一无所知的人更有可能给你提供有价值的信息。

探求完美的过滤机制

世界上本没有完美的事物。甚至PR也不完美，但我们都在使用，而且认为它有用。就像PR在网络搜索中扮演的角色一样，SRR也会帮助我们从滔滔不绝的信息流中发现有用的价值。

社交相关度排名梯度表（纵坐标为相关度），从低相关度到高相关度依次为：普通大众（聚合）->影响者->好友的好友->趣味相投者->好友和跟踪对象

SRR还将改变整个互联网。现在的搜索结果都是根据相关度和新颖度进行自动排名的。一旦加入了SRR因素，搜索结果将按照社交相关度进行排名。