社会网络是指社会个体成员之间互动形成的相对稳定的网络体系。社团发现和协同过滤推荐技术都是社会网络中重要的研究热点。其中，社团发现技术有助于揭示社会网络中的普遍规律，而协同过滤推荐技术一般用于解决信息过载问题。这两种技术在本质上有一定的关联性：协同过滤推荐中的最近邻居集实质上是一个与目标用户最相似的社团，有些协同推荐在解决稀疏性问题时也有考虑社团问题。但是，它们也都存在一定的不足：传统的社团发现算法忽略了核心节点在整个社团的结构变化、兴趣迁移过程中的作用；协同过滤技术难以解决的数据稀疏性问题，即使在与社团发现技术结合时，也并未考虑核心节点对推荐的影响。针对这些不足，本文基于对社团发现与协同过滤技术对社会网络进行了以下研究：（1）核心节点度量方法及社团发现算法研究。通过分析核心节点对社团结构的影响，提出一种基于核心节点的社团发现算法。首先，依据社团结构中节点的不同重要性，建立一种基于内部可信度和外部可信度的核心节点度量方法；其次，依据核心度来发现核心节点；最后，使用基于核心节点扩散的改进的K-means算法对网络社团进行划分，克服K-means算法中存在的对初始节点选择敏感的问题，并充分保留该算法在大数据集上应用的优势，并利用模块度Q值作为社团划分终止的标志。经过验证，此算法得到了比较好的划分效果。（2）基于社团发现的协同过滤推荐算法研究。通过分析核心节点在协同推荐中的作用，本文将基于核心节点的社团发现技术与协同推荐技术结合起来，提出一种基于社团发现的协同推荐算法。首先针对传统的余弦相似性方法中存在的相似度估计过高的问题，对相似度计算方法进行改进，在社团内按照用户评分对用户进行相似度计算，并根据用户特征相似度对其进行修正；其次，使用Top-k近邻模型获取最近邻居集合；最后，利用最近邻居集合进行评分预测。实验结果表明，对社团进行划分以后，在社团内进行协同过滤，可以极大地缓解稀疏性问题，可以提高推荐的效率。（3）基于上述研究成果开发了基于社团发现的协同过滤电影推荐平台。介绍了电影推荐平台的系统框架，并详细论述该平台各个模块的设计和实现的过程。