日新月异的互联网技术推动了电子商务系统的发展,给社会生产、人们生活带来了极大的便捷。但是,带来便利的同时,随着数据规模的不断扩大,信息过载问题越发严重。推荐技术作为有效解决信息过滤的一种重要方法,能够根据相似用户的喜好来为目标用户进行商品推荐。本文结合社会网络分析方法,在传统的协同过滤推荐技术上结合社区发现算法,引入信任关系,以提高推荐的有效性和准确性。首先,利用用户现有的信任关系数据构建一张广泛的社会关系网络,基于此网络进行目标用户的相似社区发现。本文给出了一个基于LFM社区划分算法的相似社区发现算法,该算法改进了原有的LFM算法随机选取初始点,导致社区划分不稳定的问题,使得发现的相似社区更为可靠。然后,基于目标用户的相似社区,给出了用户直接信任度、间接信任度、用户综合信任度,以及它们的计算方法。以用户综合信任度为基础,结合用户项目偏好度,提出了综合相似度及其计算方法,并给出了基于综合相似度的推荐过程及算法。综合相似度,集合了用户项目偏好度和信任度的综合信息,可以更有效地寻找到推荐过程中的相似用户。最后,通过FilmTrust数据集对本文提出的基于相似社区的综合相似度的推荐算法进行了实验验证。通过对比传统的基于用户的协同过滤推荐,以及基于用户信任的推荐技术,本文提出的基于相似社区的综合相似度推荐算法能够寻找到更为相似的用户集合,并有效地提高了评分预测的准确性。