随着信息技术的发展和电子商务的普及,人们可以获取的数据越来越多,也随之出现了无法高效、精准的获取自己需要的信息的困境。在这种情况下,可以实现海量信息过滤的推荐系统变得尤为重要,人们希望推荐系统能及时的帮助用户将最为感兴趣的信息筛选出来。为了实现这一目标,研究人员将用户社区的思想引入到了推荐系统领域,通过社区识别算法,寻找相似用户组成社区,缩小推荐计算时的计算范围,进而在提升了推荐算法精准性的同时降低了计算资源开销。本文主要研究基于社区思想设计个性化推荐算法并提升其性能。首先,本文提出了基于用户非重叠社区的个性化推荐算法,该算法首先通过SVD降维,将用户的高维稀疏特征映射到低维稠密的特征空间,然后在该低维空间上通过K-Means++划分聚类进行非重叠社区的识别,最后在划分好的用户社区上执行推荐算法,给本社区内的用户推荐物品。该方法在实际数据集上的实验结果表明,推荐算法的准确性得到了明显的提升,时间开销也远远优于传统推荐算法。其次,本文将社区的重叠性质引入到社区发现的过程,通过Fuzzy C-Means模糊聚类算法衡量用户的重叠性,然后对隶属度进行排序筛选,找到每个社区最为核心的用户群,接着为该用户群内用户推荐物品,当所有社区推荐完毕后,最后将重叠用户的推荐结果进行社区权重的加权处理。经过实验,该算法在多个数据集上,推荐系统的准确率指标相较于基础算法有明显提升,同时实现了各社区推荐时的并行化处理,提高了推荐效率。最后,本文提出了基于增量式矩阵分解和矩阵投影操作的用户特征动态更新算法。通过增量式算法实现用户特征更新,使得推荐模型可以及时地将用户的反馈体现在推荐结果中,提高了推荐模型的可扩展性和实时计算能力。矩阵投影操作将新用户的特征投影到目标用户特征空间,在不经过大量复杂运算的前提下为新用户提供了优于基于全局排序算法的推荐结果。研究结果表明,这种动态更新的算法思想在多个数据集上都表现出了良好的效果。