随着社会信息化趋势的增强,网络中可获得的信息量呈指数增长。导致信息过载问题日趋严重,如何从海量信息中提取有效信息成为了难题,推荐技术作为解决信息过载最有效的工具之一成为当今研究的热点,而协同过滤技术在个性化推荐领域应用最为成功和广泛,但传统的协同过滤技术仍存在准确度不高、稀疏性、冷启动、可扩展性和实时性推荐等问题,这些问题影响协同过滤推荐的精确度和效率,进而影响推荐技术的发展。本文引入多层复杂网络理论以及社团探测方法,将复杂网络技术与协同过滤推荐技术有效结合。本文分析了推荐系统现状,深入研究了协同过滤推荐算法,结合复杂网络理论给出了两种改进算法。第一种方法针对推荐算法准确度不高问题,提出了新的相似度计算方法。首先将复杂网络中的社团划分技术与协同过滤推荐算法相结合,将被推荐对象抽象成网络中的节点,根据行为建立复杂网络,并根据所建立的网络提出新的相似度计算方法。该方法综合了被推荐对象的社会属性和社会行为,该相似度算法较传统相似度算法不仅考虑其行为偏好,同时考虑了社会属性,在现实社会中更有现实意义。第二种方法以第一种方法为基础,提出了基于多层复杂网络的协同过滤算法。该方法将被推荐对象属性和行为抽象为复杂网络的两个方面,建立多层复杂网络。再根据属性影响力建立用户属性层级,并通过属性层级将其划分群体。接着对网络中的节点通过行为关系建立行为网络,并由社团划分算法将网络划分成各个社团。然后综合两种群体的划分方式形成最后协同过滤所用的初步邻居集合。最后分别在各个邻居集合内预测评分的最终集合,得到最后的推荐结果。该方法细化了被推荐对象群体的社会属性和行为,增强推荐群体的相似性,从而提升推荐精度。本文采用了平均绝对误差值的方法进行实验评测,通过将改进的算法与传统的算法进行比较来证明算法有效性。实验结果表明,本文提出的两种改进算法在一定的情况下能提升算法精度,即可提高推荐准确度。