社会网络分析（Social Network Analysis，SNA）是使用量化方法对社会网络进行分析，研究其中个体和网络特性的学科。近年来，随着Internet的发展，大量社会网络数据的出现，尤其是由网络行为产生的虚拟社会网络数据的出现，为大规模的社会网络分析提供了丰富的素材，社会网络分析也越来越得到重视。面对前所未有的海量数据，传统的手工分析方法无法满足要求。数据挖掘技术是从海量数据中提取有用知识，因此用数据挖掘技术分析动态社会网络，成为一个新的研究热点。　　 社区推荐作为社会网络分析中个体行为预测的一个研究方面，近年来引起了社会网络分析研究者的广泛兴趣。在虚拟社区、社会网络服务以及科研合作等方面的应用使得这一课题受到越来越多的重视。目前，动态社会网络中社区推荐的主流方法都是静态方法，忽略了社会网络的动态特性，仅通过个体间的直接联系进行社区推荐，具有一定的局限性，同时无法有效地应用于重叠社区的社会网络。　　 为了解决上述问题，本文的研究建立在动态社区识别的工作的基础上，从链接挖掘的角度出发，提出了一个从动态视角进行社区推荐的新算法--基于节点（个体）的动态结构相似性的社区推荐算法（CR-NDSS算法）。算法中提出了一种新颖的节点（个体）间的动态结构相似度计算方法，通过分析个体的历史行为信息和个体间的链接关系，计算某个体和其他个体的行为相似程度，将其他相似个体当前所在的社区推荐给此个体，这种方法可以为个体通过其相似行为个体推荐无直接联系个体的社区。实验证明，该算法不仅能有效应用于动态社会网络社区推荐，并且能较好地应用于社区重叠情况下的社区推荐。