随着互联网技术的迅猛发展,网络提供给人们的资源日益丰富,但海量信息的单一陈列并不会给用户带来更好的体验,相反使其变得更加困难。我们将这种由信息过胜带来的负面影响称之为信息过载。若网络呈现的多为无关信息,则势必会造成用户不断流失的现象,因此推荐系统应运而生。当前,作为推荐系统的经典应用之一,好友推荐已经成为社交网络中重要且实用的个性化服务,对推动社交网络不断发展起到了关键性作用。但是,推荐准确率低、推荐精度差等缺陷都在阻碍着推荐系统的进一步发展。本课题旨在解决这些问题。社区结构划分作为社交网络的重要特性,其对推荐系统的效果有着深远影响。社区结构的划分是将网络中各用户归结为不同的集合,使得集合内部节点间有较高的相似性,而各集合之间存在较高的相异性。从本质上来讲,社区划分是对图集的某一属性进行研究,其结果为该属性上局部最优点聚集的稠密子图。将社区划分思想与推荐算法相融合,势必会带来新的启发与突破。文章的主要工作体现在:首先在好友推荐系统中引入社区划分思想,可以预先将待推荐用户划分到不同的社交圈,进而只在该社交圈对用户进行相似度计算,既减少了相似度计算量,又提高了推荐的准确度;另外,将粒子群算法与社区划分相结合,并对粒子群算法进行改进,提出了基于次优经验的粒子群算法,在该改进算法中,粒子的每一次迭代除考虑自身最优适应值以及全局最优适应值外,还引入了次优粒子对其位置更新的影响,从而避免早熟现象;最后在推荐方面,引入用户个人信息相似度思想,提出综合相似度计算方法进行推荐。基于改进SEPSO社区划分算法与基于标准粒子群的社区划分算法相比较,结果表明:SEPSO算法与社区划分的结合可以有效提高划分准确度,社区划分结构更明显;将本文提出的算法与经过社区划分后仅考虑用户相似度的推荐算法,以及传统的基于用户综合相似度的算法进行比较分析,实验结果表明:在提高推荐准确度、提高推荐效率等方面,本文提出的算法优于传统的算法。