在大数据时代背景下,网络上的信息量呈爆炸式增长。丰富的信息资源为人们提供了诸多便利,同时产生的信息过载问题也增加了用户获取真正感兴趣信息的难度。为了解决用户的有限需求与海量数据之间的矛盾,推荐系统应运而生。其中协同过滤推荐算法作为应用最为广泛的推荐算法之一,凭借其优秀的推荐质量,获得了众多学者的青睐。传统的协同过滤推荐算法根据用户历史行为数据挖掘用户偏好,通过寻找与目标用户相似度较高的用户群体,计算目标用户对项目的预测评分。但在实际应用中,由于用户与项目数量的规模激增,数据的稀疏性问题、冷启动问题也随之暴露出来。本文则针对上述问题,对传统的协同过滤算法进行了深入研究,提出了一种融合社区发现的混合推荐算法,简称HRA-CD算法。本文的主要研究内容如下:1.传统的基于用户的协同过滤算法仅根据历史行为数据计算用户相似度,忽略了社交因素对推荐产生的影响,因此首先利用用户间好友关系,对用户-项目稀疏评分矩阵进行部分填充,一定程度上缓解了数据稀疏性造成的相似度计算偏差;其次,建立用户社交关系网络,通过简单的社交网络分析定义用户间社交关系强度,加入社交因素对传统的基于评分的用户相似度进行改进,提高了用户相似度计算的准确性,有效改善了推荐质量。2.针对传统的基于项目的协同过滤算法中类似的相似度计算问题,通过利用项目的基本属性特征,构建空间向量模型,定义项目的属性特征相似度并对传统的基于评分的项目相似度进行改进,一定程度上解决了项目的相似度计算问题与冷启动问题。3.传统的协同过滤算法仅使用相似度排序作为最近邻用户或项目的挑选依据,忽略了用户或项目相似度网络中的关系传递性。使用复杂网络中的社区发现算法对网络中联系紧密的节点进行社区划分,提出用户推荐群与项目相似群的计算方法,以此作为最近邻用户或项目的候选集合。融合以上改进,结合基于用户的协同过滤与基于项目的协同过滤进行混合推荐。4.在Last.fm与MSD两个音乐数据集上进行了对比实验,选取最优参数取值,与传统的协同过滤算法在常用的评估指标上进行对比,验证HRA-CD算法的有效性。5.以HRA-CD算法为核心,将其应用于音乐推荐中,使用SSM框架与MVP框架设计并实现一个线上音乐推荐系统。