目前,随着计算机信息技术的飞速发展,网络上的信息量与日剧增,用户想获取需要的信息却越来越困难,用户如何在网络上众多的资源中找到自己需求的信息,已经成为了众多学者、专家和网络用户关心的核心问题之一。个性化推荐系统在这样的背景下应运而生。协同过滤算法是目前个性化推荐系统中主要的推荐算法,协同过滤推荐模型的基本思想是在相似用户间进行个性化推荐,首先通过建立恰当的数学模型来描述用户间的相似性,进而在此基础上设计高效的算法为目标用户寻找相似用户,并将相似用户感兴趣的资源推荐给目标用户。称之为“人对人的相关性”(people-to-people correlations),也就是说该技术肯定了用户之间的群组性。但是协同过滤算法在用户量比较大的情况下,系统每次都需要花大量的时间计算用户的邻居来产生用户的推荐列表,针对这种情况,我们需要研究一种新型的推荐算法来提高推荐列表生成的效率。基于社区的协同过滤算法,是协同过滤算法的一种变异形式,首先将用户划分成不同的社区,并假设“相同社区的用户将会有相似的兴趣,而不同社区的用户将不会产生邻居”,因此在生成用户的推荐列表时,只需要在相同社区的用户之间寻找邻居,这样当减少寻找邻居的范围,从而提高推荐列表的生成效率。本文首先将简要介绍个性化推荐系统以及系统过滤算法,然后利用JAVA技术来实现基于社区的协同推荐算法,并进行了系统的分析,假如系统中我们可以找到k个社区,由于学生学习的阶段性,而且可以假设社区中用户所需的学习资料在这些社区中都能找到,如果k个社区内的用户数量基本相等,那么进行社区分类的社区协同算法将比不进行社区分类的协同过滤算法效率高k倍,且推荐效果相同。