信息过载是大数据时代的突出问题之一,通过个性化推荐缓解信息过载,提升用户体验,已经成为目前热门的研究领域。现有推荐方法多聚焦于用户和商品的交互数据,然而电子商务网站存在海量用户和商品,单一的用户-商品交互数据存在数据稀疏和“冷启动”问题。为了解决这些问题,研究人员考虑引入用户的在线社交关系辅助建模用户偏好。用户在社交活动中通常会加入多个社区,利用多社区构成的重叠社区建模用户偏好的研究目前较少。本文基于用户加入的重叠社区可以有效反应用户兴趣偏好这一事实,提出了一种考虑重叠社区效应的推荐方法。该方法通过用户的商品交互数据和重叠社区数据联合建模用户的兴趣偏好,同时利用在语义信息挖掘上表现突出的主题模型挖掘数据背后隐藏的兴趣主题。该方法通过将用户类比为文档、商品和社区类比为两类单词、用户的兴趣偏好类比为文档主题,将用户的商品购买决策过程转化为文档单词的生成过程,并基于主题模型原理建模用户的兴趣偏好。本文利用Gibbs抽样推断模型参数,根据模型参数计算商品对目标用户的效用值,取效用值较高的商品生成目标用户的推荐列表。最后,本文利用CiteUlike公开数据集比较、验证所提方法与几组经典的推荐方法在相同评价指标下的表现。实验结果表明,在主题模型中融入重叠社区数据和商品交互数据可以增强用户兴趣偏好推断的准确性,提高推荐质量,在稀疏数据和“冷启动”用户环境下依然有良好的表现。