随着科学技术的持续发展,人们已经敲开了互联网时代的大门。人们在享受网络带来“信息便利”的同时,也忍受着“信息过载”所带来的困扰,甚至为此感到不堪重负。推荐系统的出现,使得这一问题有了良好的解决方法,同时也成为了世界上广大的学者们关注的对象。在推荐系统的研究工作中,能够推荐更高的精确性与多样性的个性化推荐算法更是成为了学者和技术人员广泛关注和研究的热点。本文基于同一个社团结构中的节点更具相似性这一思想,对推荐算法的推荐结果进行了优化,提出了一种基于网络集团化的改进个性化推荐算法。与已有的不同推荐算法在人工网络与实际网络上进行比较,其最高可以提高20%的精确度与7%的多样性,同时揭示了在网络中进行推荐时,根据节点的不同属性进行分类的重要性。而在推荐系统的研究过程中,不仅算法的准确度与多样性是我们重点研究的对象,而且算法的稳定性也是一项非常重要的指标。针对在线测试的结果和实验室的结果无法完全匹配,经常会出现与实验室结果不一致现象的问题,我们研究讨论了 Top-n相似性推荐算法与Top-n稳定性推荐算法的表现,实验表明,Top-n稳定性算法可以较好地解决这一问题。然而这种方法的侧重点在于研究算法的稳定性而忽视了推荐结果的准确性与多样性,面对这一矛盾,我们在Top-n稳定性推荐算法中考虑了二分网络的社团结构特征,提出了一种稳定的个性化推荐算法。通过实验我们发现,在具有社团结构的二分网络中,考虑集团化因素的Top-n稳定性推荐算法在保持其稳定性的同时,可以大大提高推荐结果的准确性与多样性。