随着互联网技术的不断发展,人们生活中的娱乐交友、物质消费、信息消费等方方面面都不断被网络化、智能化、终端化。生活中网络服务平台,诸如Sina微博、淘宝、Sina博客、豆瓣网、大众点评等,这些网络系统中的主体与主体间的联系均可以抽象为有向网络图,并对其进行分析研究。社区发现作为社交网络分析的重点工作,其有助于了解系统的内部拓扑结构、功能分类、演变规律,也可用于挖掘服务平台的潜藏的商业价值、提升系统服务质量等重要应用。随着对社交网络数理特性研究的不断深入,研究人员发现了许多网络都具有常见特性:小世界性质、幂律度分布、网络传递性、社区结构等,社区结构作为网络重要属性,围绕其研究产生了大量的社区发现算法。然而,以往大多数社区发现算法都只适用于无向网络图,忽略了联系边的有向性这一重要价值信息,导致社区划分结果差强人意。本文首先介绍了有向社交网络社区发现的研究背景及意义、国内外研究现状,本文主要工作及全文组织结构。其次描述了有向社交网络的含义、表示、特征,社区及社区发现的含义、社区结构特征及度量标准等相关基础理论技术。在前人研究工作基础上,本文提出了改进的基于启发式的局部搜索社区发现NSRC算法,该算法吸取了六度传播模式和三元闭包理论的思想,找出了网络图的中心节点,并找出其密友形成初始社区;又结合高效的局部搜索策略,使得候选节点沿着使社区聚集系数不减的方向执行,给算法带来了较低的时空复杂度。在真实的有向社交网络数据集上的实验表明,NSRC算法具备较好的性能,社区划分结果更加合理和稳定。通过对博客推荐应用场景的分析,在用于网页重要性排序的PageRank算法思想启发下,提出了基于博主社交关系的用于度量博主影响力的PeopleRank算法,将其和社区发现NSRC算法融合,并用于博客社交网络博客推荐应用中。在这些算法的支撑下,文章最终实现了博客推荐系统,本系统模拟了真实的博客社交网络服务平台,实现集用户管理、博客管理、博客推荐于一身的博客推荐系统。