随着网络终端设备的流行和移动互联网的普及,人们的生活中每天都有海量的数据产生,如何从庞杂的数据中及时获取到想要的信息成为了一个难题。推荐系统是当下解决信息过载问题的最好方案之一,系统通过采集用户在互联网中的历史行为记录,利用推荐算法对用户的兴趣喜好进行分析预测,快速恰当的为用户推送最符合其行为习惯的信息。推荐系统的核心是个性化推荐算法,人们针对应用场景提出了许多不同的个性化推荐算法,设计一种推荐效果良好的算法逐渐成为许多专家学者的研究热点。传统的个性化推荐算法如基于内容、基于协同过滤的方法都将用户的历史行为记录作为静态数据进行分析,然而在实际生活中大多数用户的兴趣喜好模式是随时间而动态变化的。近年来有一些基于时间权重的推荐算法将用户的兴趣变化分析为艾宾浩斯遗忘曲线,直接引入时间衰减函数对用户的历史行为记录进行预处理,但是,用户的行为模式并非随时间单调衰减变化,而且对历史行为记录进行时间衰减只是一种针对用户群体行为的处理,不一定符合单个用户兴趣喜好变化的模式。如果能对所有用户的兴趣喜好变化进行精准建模,挖掘出多种可能的变化规律,就可以更好的发现用户兴趣动态变化的模式,从而提高推荐算法的准确率。推荐系统中的用户网络一般从社交关系或者历史行为记录交集中抽取出来,一些基于社团的个性化推荐算法对用户社交网络应用社团发现并根据局部社团信息为用户生成推荐结果,本文在研究中发现一些基于节点扩散的社团发现算法往往会因为在中心扩散过程中没有考虑节点之间的亲疏关系而导致社团的错误划分,如果能在节点扩散过程中增加对亲疏程度的约束,则可以避免网络中干扰边的影响,减少基于节点扩散的社团发现算法对节点的错误划分。针对上述问题,本文研究并提出了一种基于重叠社团演化的个性化推荐算法(Personalized Recommendation algorithm based on Overlapping Community Evolution,PR-OCE),通过对用户网络的重叠社团演化分析描述了每一位用户兴趣喜好的变化过程。为了减少社团演化过程中节点的错误划分,本文提出了节点影响度的概念来描述节点之间的亲疏程度,并利用节点影响度改进了基于拓扑势的重叠社团演化算法。为了分析用户在社团演化过程中兴趣喜好的迁移模式,本文采用隐马尔可夫模型对所有用户在社团演化过程中的兴趣变化链进行了建模分析,并根据模型预测了用户在未来时刻的社团归属情况。最后,本文设计了社团加权关联规则挖掘的方法对用户所属社团进行了分析,根据关联规则预测了用户对物品的评分并生成了物品推荐列表。为了验证本文提出的PR-OCE算法的性能,本文在Movie Lens数据集上设计了与传统推荐算法的对比实验。实验表明,本文提出的个性化推荐算法在推荐结果的准确率、召回率以及多样性等各项指标上都有较大的提升,相比传统推荐算法,本文提出的算法能很好的处理用户动态兴趣变化的问题,同时重叠社团的设计能更好的考虑用户兴趣的多样性。