由于互联网上的信息呈现爆炸式增长,这就使得用户在面对如此庞大的数据时无法实时和准确地获取自己所需要的信息。在这样的背景下,推荐系统便出现了。推荐系统的核心任务是分析用户行为,挖掘用户偏好,为用户推送信息。协同过滤推荐技术由于只需要用户-项目评分信息就可以对用户进行推荐且实现技术难度不大,因此被广泛研究。但是,协同过滤算法面临着数据稀疏、冷启动、扩展性差等问题。近些年来,一些研究开始尝试将用户间的社交关系和社区结构信息融入到协同过滤推荐中,研究结果表明,社交关系和社区结构信息可以缓解数据稀疏性以及增强可扩展性。因此,基于社交关系和社区结构的推荐具有重要的研究意义。在此基础上,针对当前算法中仍然存在的问题,本文对结合社交关系和社区结构的推荐算法进行深入研究,具体研究内容如下:(1)当前基于社交关系的推荐算法中往往只考虑了用户间的信任关系而忽略了用户间的不信任关系以及兴趣相似性的影响。针对此问题,本文研究了一种融合社交关系和兴趣的正则化矩阵分解推荐模型。首先利用网络的全局和局部拓扑特性挖掘出社交关系中的信任和不信任关系,然后结合项目相似度提出了一种改进的用户间的兴趣偏好相似性计算方法,最后在矩阵分解的过程中将信任矩阵、不信任矩阵以及兴趣相似性综合起来为用户做出推荐。仿真结果表明,该算法相比其他传统的社交推荐算法在推荐误差上有所下降,并可以缓解冷启动问题。(2)当前基于社区结构的推荐算法虽然对大数据集的处理能力有所提高,但往往只考虑一种类型的社区,导致推荐时的误差很大。针对此问题,本文研究了一种结合用户社区和评分联合社区的推荐模型,首先利用用户间的信任关系和相似性构造用户间的新的相似度,通过改进初始聚类中心的K-means算法进行用户社区发现;然后针对用户-项目评分矩阵进行评分联合社区的挖掘,构造评分子矩阵;最后在评分子矩阵中融合用户的社区结构进行矩阵分解。仿真结果说明了该算法可以在保证提高推荐效率的同时,降低评分预测的误差。