随着科学技术的快速发展,海量数据充斥着人们的生活,信息过载问题日益严重。推荐系统逐渐成为人们获取个性化信息的有力工具,帮助人们在海量信息中获取有用信息,并且已经成功应用到各行各业。基于协同过滤的推荐方法通过利用用户和项目的行为数据来学习用户和项目的特征表示,逐渐成为主流的推荐方法。但是现实世界中用户-项目评分矩阵具有高度稀疏而且分布不均匀的特点,当推荐系统仅考虑用户和项目之间的评分矩阵信息时,其性能很容易受限于数据稀疏和冷启动问题,使得用户无法得到满意的推荐内容。当今已处在Web2.0时代,越来越多的用户参与到在线社交活动当中,用户之间产生了大量的社交关系,这些独立的社交数据为解决协同过滤方法固有的数据稀疏和冷启动问题以及提升推荐系统的性能提供了契机,一些研究者开始在传统推荐系统中加入社交信息来提高模型性能。此外,用户之间的社交网络中存在大量的社区结构,在社区内考虑用户之间的社交关系尤为重要。本文在现有工作的基础上,主要研究社区结构感知的社交推荐方法。主要研究内容和研究成果总结如下:（1）提出了一种融合重叠社区正则化及隐式反馈的协同过滤方法OCRIF。该方法首先利用社区发现算法将用户进行社区划分并允许用户可同时归属于不同的社区,以充分挖掘用户潜在的社区信息;其次,OCRIF模型中融入了社区内的社交隐式反馈信息以及商品隐表示一致性约束;最后,结合网络表示学习方法,我们给出了更有效的用户-社团隶属度计算方法以及用户之间相似度计算方法,将OCRIF模型扩展为OCRIF+模型。在3个公开的数据集上实验表明:我们提出的两个方法要优于以往的同类推荐算法。（2）提出了一种融合社区影响力扩散和用户兴趣扩散的图注意力社交推荐方法GASC。该方法对用户与用户之间社交网络中的高阶社会影响扩散和用户-项目兴趣网络中的兴趣扩散进行建模,首先利用社区发现算法将用户划分到所属社区中,考虑在社区中更细粒度的高阶社会影响扩散。另外,模型中设计了多层注意力网络,以区分社区内不同邻居节点、不同社区以及不同异质网络图对用户和项目低维嵌入表示的不同影响。最后,在模型中引入了区分不同阶影响的注意力网络。在两个公开的数据集上实验表明:我们提出的方法优于先前提出的同类推荐算法。