随着信息技术的发展,涌现了诸如Facebook、Twitter等大型社交网站,虚拟网络世界迅速融入了人们的日常生活,对于这些社交网络的分析和挖掘能够显示用户的行为规律、兴趣偏好等重要信息,具有极大的商业价值和研究意义,吸引了越来越多研究者的关注。社团结构是社交网络中最重要的性质之一,其特点是社团内部的节点联系相对紧密而社团间的联系相对稀疏,发现网络中的社团结构是了解整个网络的层次结构和功能的重要途径。另一方面,对社交网络的研究也促进了推荐系统等领域的发展,常用来缓解推荐过程中的稀疏性和冷启动等问题。然而目前的社团结构发现算法多是基于网络中单一关系,而社交网络的个体之间存在着多种关系,这些关系共同决定了网络中的社团结构,为了准确地发现多关系社交网络中的社团结构,并结合社交网络的相关研究提升推荐系统的性能,本文对相关知识进行了深入研究,具体内容和研究取得的主要成果如下:1.网络中的社团结构发现常被视为复杂网络上的聚类,为了将网络中相似节点划分到同一社团中,本文通过研究信息在多关系社交网络上的传播过程,提出了一种多关系社交网络中的社团结构发现算法,首先利用信息传播将网络中的节点转化为向量形式,每组向量代表该节点对网络中其他节点的影响,然后利用聚类算法处理这些向量得到不同的社团结构,同一社团内的节点在网络中的影响力相似,并且社团内部节点之间的关系相对紧密。2.传统的协同过滤算法直接基于整个用户商品评分矩阵,用户和商品数据的增加往往会导致算法效率降低,为了解决这一问题,本文提出了一种融合多关系社交网络的协同过滤算法,首先运用本文算法对用户之间的社交网络进行社团划分,根据社团成员的社交网络特征预测目标用户对商品的评分,得出眠瘺商品推荐给用户以降低时间复杂度。基于Epinions数据集的实验,说明了本文提出的改进算法在保证推荐结果准确性的前提下能够较大地提升推荐效率。