Sistemas de Recomendação têm ganhado importância e visibilidade principalmente em aplicações de e-commerce e transmissão de música e vídeos, nas quais a quantidade de itens que o usuário pode escolheré muito grande. Isso porque ao diminuir as opções aos itens de maior interesse, facilita a escolha por parte do usuário. Situações de coldstart (usuário novo no sistema) dificultam a recomendação devidoà falta de informações sobre preferências do usuário. Dados de redes sociais podem ser utilizadas como fonte de informação para reduzir o impacto de cold-start. Neste cenário, identificar o grupo de amigos com maior afinidade e os amigos mais influentes podem melhorar a recomendação. Propõe-se nesta pesquisa a utilização de dados de redes sociais como principal fonte de informação externa para recomendar itens para usuários cold-start. Mais especificamente, a partir da entrada do novo usuário no sistema, por meio das credenciais da sua rede social, identifica-se seu grupo de amigos e, dentre estes, os de maior influência, para que mediante as informações de preferências deste(s) usuário(s) influente(s), se recomendem itens (músicas) ao usuário cold-start. Revisões da literatura mostraram que o modelo de fatoração de matriz e grafos tem sido as principais técnicas empregada, respectivamente, no processo de recomendação e na modelagem das interações em redes sociais. Para validar a proposta, utilizou-se um experimento controlado, no qual teve-se a efetiva participação de 20 usuários. Uma rede social, construída especialmente para a proposta, reteve informações sobre a interação entre amigos na rede social, e também, o acesso dos mesmos a um serviço de streaming de música. Nos testes foram elaboradas duas listas de recomendação, com a finalidade de comparar os resultados, uma considerando o modelo de recomendação proposto e outro sem. Os usuários avaliaram a recomendação, dando notas de 1 a 5 para cada música recomendada. A assertividade do modelo foi computada utilizando a métrica de Root Mean Squared Error (RMSE), apresentando resultado de 1,57, o que mostra que a predição da recomendação foi muito próxima aos valores dados pelos usuários. Os resultados também evidenciaram que o modelo proposto pode ser empregado para melhorar a recomendação de qualquer usuário e não apenas coldstarts. Assim, considerou-se que o modelo propostoé bastante adequado para melhoria da recomendação. Obteve-se a autorização de um comitê deética para a realização dos experimento.Palavras-Chave -Sistema de recomendação, filtragem colaborativa, redes sociais, cold-start, influência social, fatoração de matriz.